لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشینی 101 با Scikit-learn و StatsModels [ویدئو]
Machine Learning 101 with Scikit-learn and StatsModels [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشینی یکی از مهارت های اساسی است که برای تبدیل شدن به یک دانشمند داده به آن نیاز دارید. این پله ای است که به شما کمک می کند یادگیری عمیق و تکنیک های مدرن تجزیه و تحلیل داده ها را درک کنید.
در این دوره، سه مبحث اساسی یادگیری ماشین - رگرسیون خطی، رگرسیون لجستیک و تجزیه و تحلیل خوشهای را بررسی خواهید کرد. حتی افراد حرفهای شبکههای عصبی (مثل ما) نمیتوانند بپذیرند که این سه روش ساده هستند که علم داده حول آن میچرخد. بنابراین، در این دوره، موضوع پیچیده دیگری را برای درک و کاربرد در عمل آسان خواهیم کرد. این دوره از نظریه آمار با کاربرد عملی این روشهای کمی در پایتون پشتیبانی میکند تا به شما در توسعه مهارتها در زمینه علم داده کمک کند.
ما این دوره را نه یک بلکه با دو کتابخانه یادگیری ماشینی توسعه داده ایم: StatsModels و sklearn. شما مشتاق خواهید بود که این دوره را تکمیل کنید و برای تبدیل شدن به یک دانشمند داده موفق آماده شوید!
تمام کدها و فایل های پشتیبانی این دوره در https://github.com/PacktPublishing/Machine-Learning-101-with-Scikit-learn-and-StatsModels موجود است با اطمینان با دو بسته پیشرو ML کار کنید: statsmodels و sklearn
نحوه انجام رگرسیون خطی را بدانید
با زیر و بم رگرسیون لجستیک آشنا شوید
با انجام تجزیه و تحلیل خوشه ای (هم مسطح و هم سلسله مراتبی) آشنا شوید
مهارت های خود را در موارد کسب و کار واقعی به کار ببرید
در مورد ایده های اساسی پشت مدل های ML اطلاعاتی کسب کنید اگر می خواهید با روش های اساسی یادگیری ماشین آشنا شوید، دانشمند داده موفقی شوید یا فقط با ایجاد مهارت های ارزشمند در یادگیری ماشین و علم داده شروع کنید، این دوره برای شما مناسب است. یادگیری ماشینی را با StatsModels و sklearn بیاموزید * مهارت های یادگیری ماشینی را برای حل موارد کسب و کار در دنیای واقعی به کار بگیرید * با رگرسیون خطی، رگرسیون لجستیک و تجزیه و تحلیل خوشه ای شروع کنید.
سرفصل ها و درس ها
معرفی
Introduction
دوره شامل چه مواردی است؟
What Does the Course Cover?
راه اندازی محیط کار
Setting Up the Working Environment
تنظیم محیط - مقدمه (لطفاً از آن نگذرید)!
Setting Up the Environment - An Introduction (Do Not Skip, Please)!
چرا پایتون و چرا ژوپیتر؟
Why Python and Why Jupyter?
نصب آناکوندا
Installing Anaconda
داشبورد Jupyter - قسمت 1
The Jupyter Dashboard - Part 1
داشبورد Jupyter - قسمت 2
The Jupyter Dashboard - Part 2
نصب اسکلرن
Installing sklearn
رگرسیون خطی با StatsModels
Linear Regression with StatsModels
مقدمه ای بر تحلیل رگرسیون
Introduction to Regression Analysis
مدل رگرسیون خطی
The Linear Regression Model
همبستگی در مقابل رگرسیون
Correlation vs Regression
نمایش هندسی
Geometrical Representation
نصب بسته های پایتون
Python Packages Installation
رگرسیون خطی ساده در پایتون
Simple Linear Regression in Python
Seaborn چیست؟
What is Seaborn?
جدول رگرسیون خلاصه StatsModels به ما چه می گوید؟
What Does the StatsModels Summary Regression Table Tell us?
SST، SSR و SSE
SST, SSR, and SSE
حداقل مربعات معمولی (OLS)
The Ordinary Least Squares (OLS)
Good of Fit: The R-Squared
Goodness of Fit: The R-Squared
مدل رگرسیون خطی چندگانه
The Multiple Linear Regression Model
R-Squared تنظیم شده است
Adjusted R-Squared
F-Statistic و F-Test برای یک رگرسیون خطی
F-Statistic and F-Test for a Linear Regression
مفروضات چارچوب OLS
Assumptions of the OLS Framework
A1: خطی بودن
A1: Linearity
A2: بدون درون زایی
A2: No Endogeneity
A3: نرمال بودن و همسانی
A3: Normality and Homoscedasticity
A4: بدون خود همبستگی
A4: No Autocorrelation
A5: بدون چند خطی
A5: No Multicollinearity
برخورد با داده های طبقه بندی شده
Dealing with Categorical Data
پیشگویی
Making Predictions
رگرسیون خطی با Sklearn
Linear Regression with Sklearn
اسکلرن چیست؟
What is sklearn?
برنامه بازی برای sklearn
Game Plan for sklearn
رگرسیون خطی ساده با sklearn
Simple Linear Regression with sklearn
رگرسیون خطی ساده با sklearn - جدول خلاصه
Simple Linear Regression with sklearn - Summary Table
رگرسیون خطی چندگانه با sklearn
Multiple Linear Regression with sklearn
R-Squared تنظیم شده است
Adjusted R-Squared
انتخاب ویژگی از طریق مقادیر p (رگرسیون F)
Feature Selection through p-values (F-regression)
ایجاد یک جدول خلاصه با مقادیر p
Creating a Summary Table with the p-values
مقیاس بندی ویژگی ها
Feature Scaling
انتخاب ویژگی از طریق استانداردسازی
Feature Selection through Standardization
پیش بینی با ضرایب استاندارد شده
Making Predictions with Standardized Coefficients
کم تناسب و بیش از حد
Underfitting and Overfitting
آموزش و تست
Training and Testing
رگرسیون خطی - مثال عملی
Linear Regression - Practical Example
مثال عملی (قسمت 1)
Practical Example (Part 1)
مثال عملی (قسمت 2)
Practical Example (Part 2)
مثال عملی (قسمت 3)
Practical Example (Part 3)
مثال عملی (قسمت 4)
Practical Example (Part 4)
مثال عملی (قسمت 5)
Practical Example (Part 5)
رگرسیون لجستیک
Logistic Regression
مقدمه ای بر رگرسیون لجستیک
Introduction to Logistic Regression
یک مثال ساده از رگرسیون لجستیک در پایتون
A Simple Example of a Logistic Regression in Python
تفاوت بین یک تابع لجستیک و یک تابع Logit چیست؟
What is the Difference Between a Logistic and a Logit Function?
اولین رگرسیون لجستیک شما
Your First Logistic Regression
نکته کدنویسی (اختیاری)
A Coding Tip (optional)
مرور جدول خلاصه رگرسیون
Going through the Regression Summary Table
تفسیر نسبت شانس
Interpreting the Odds Ratio
آدمک ها در یک رگرسیون لجستیک
Dummies in a Logistic Regression
ارزیابی دقت یک مدل طبقه بندی
Assessing the Accuracy of a Classification Model
کم تناسب و بیش از حد
Underfitting and Overfitting
آزمایش مدل ما و ایجاد یک ماتریس سردرگمی
Testing our Model and Bulding a Confusion Matrix
آنالیز خوشه ای
Cluster Analysis
مقدمه ای بر تحلیل خوشه ای
Introduction to Cluster Analysis
نمونه هایی از خوشه بندی
Examples of Clustering
طبقه بندی در مقابل خوشه بندی
Classification vs Clustering
مفاهیم ریاضی مورد نیاز برای ادامه
Math Concepts Needed to Proceed
K-Means Clustering
K-Means Clustering
یک مثال عملی از K-Means
A Hands-on Example of K-Means
داده های طبقه بندی شده در تحلیل خوشه ای
Categorical Data in Cluster Analysis
روش آرنج یا نحوه انتخاب تعداد خوشه ها
The Elbow Method or How to Choose the Number of Clusters
مزایا و معایب K-Means
Pros and Cons of K-Means
استاندارد کردن ویژگی ها هنگام خوشه بندی
Standardization of Features when Clustering
تجزیه و تحلیل خوشه ای و تحلیل رگرسیون
Cluster Analysis and Regression Analysis
مثال عملی: تقسیم بندی بازار (قسمت 1)
Practical Example: Market Segmentation (Part 1)
مثال عملی: تقسیم بندی بازار (قسمت 2)
Practical Example: Market Segmentation (Part 2)
با تجزیه و تحلیل خوشه ای چه کاری می توان انجام داد؟
What Can be Done with Cluster Analysis?
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
365 دوره شغلی توسط بیش از 203000 دانشجو در 204 کشور گذرانده شده است. افرادی که در شرکتهای کلاس جهانی مانند Apple، PayPal و Citibank کار میکنند، 365 دوره آموزشی Careers را گذراندهاند. با انتخاب 365 Careers، مطمئن می شوید که از کارشناسان ثابت شده ای که علاقه زیادی به تدریس دارند یاد می گیرید و می توانند شما را از مبتدی به حرفه ای در کوتاه ترین زمان ممکن برسانند. اگر می خواهید یک تحلیلگر مالی، یک مدیر مالی، یک تحلیلگر FP&A، یک بانکدار سرمایه گذاری، یک مدیر اجرایی کسب و کار، یک کارآفرین، یک تحلیلگر هوش تجاری، یک تحلیلگر داده یا یک دانشمند داده شوید، دوره های 365 Careers بهترین مکان هستند. برای شروع.
نمایش نظرات