آموزش یادگیری ماشین XGBoost برای علم داده و کگل

دانلود XGBoost Machine Learning for Data Science and Kaggle

مرورگر شما از این ویدیو پشتیبانی نمی کند.

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

استاد الگوریتم یادگیری ماشین XGBoost، شرکت در مسابقات Kaggle و شروع حرفه علم داده

آینده متعلق به عصر هوش مصنوعی و یادگیری ماشین است. بنابراین، تسلط بر کاربردهای یادگیری ماشین، کلید ورود به مشاغل آینده است. اگر در حال حاضر فقط به یادگیری یک ابزار یا الگوریتم برای یادگیری ماشین یا ساخت مدل‌های پیش‌بینی‌کننده علاقه‌مند هستید، آن ابزار چیست؟ بدون شک، XGBoost! آیا قصد شرکت در مسابقات Kaggle را دارید؟ ابزار مدل‌سازی مورد علاقه شما چیست؟ باز هم، پاسخ XGBoost است! این موضوع توسط دانشمندان داده باتجربه و تازه‌کار متعدد تأیید شده است. بنابراین، حتماً در این دوره ثبت نام کنید!

عملکرد الگوریتم XGBoost در پیش‌بینی اهداف مختلف مدل

XGBoost به دلیل دقت، سرعت و پایداری عالی خود در مسابقات Kaggle بسیار مشهور است. به عنوان مثال، طبق نظرسنجی‌ها، بیش از ۷۰٪ از برندگان برتر Kaggle اعلام کرده‌اند که از XGBoost استفاده کرده‌اند.

نقش درختان تصمیم در مدل‌سازی گرادیان بوست و XGBoost

این الگوریتم قدرتمند برای پیش‌بینی انواع مختلف اهداف – داده‌های پیوسته، دودویی و دسته‌بندی – بسیار مفید است و عملکردهای متعددی در دنیای علم داده دارد. همچنین XGBoost در حل مشکلات طبقه‌بندی چندکلاسه یا چندبرچسبی بسیار مؤثر است. علاوه بر این، مسابقات پلتفرم Kaggle تقریباً تمام کاربردها و صنایع جهان را پوشش می‌دهند، مانند خرده‌فروشی، بانکداری، بیمه، تحقیقات دارویی، کنترل ترافیک و مدیریت ریسک اعتباری.

چرا XGBoost یکی از قدرتمندترین و پایدارترین روش‌های یادگیری ماشین در مسابقات Kaggle است؟

XGBoost قدرتمند است، اما اجرای کامل قابلیت‌های آن بدون راهنمایی متخصص آسان نیست. به عنوان مثال، برای پیاده‌سازی موفقیت‌آمیز الگوریتم XGBoost، باید پارامترهای زیادی را درک و تنظیم کنید. بنابراین، من الگوریتم زیربنایی را به شما آموزش می‌دهم تا بتوانید XGBoost را متناسب با داده‌ها و سناریوهای مختلف پیکربندی کنید. علاوه بر این، سخنرانی‌های فشرده‌ای در زمینه مهندسی ویژگی، انتخاب ویژگی و تنظیم پارامتر با هدف XGBoost ارائه خواهم داد. بنابراین، پس از آموزش، شما قادر خواهید بود داده‌ها یا ویژگی‌های مناسب را برای تغذیه خوب مدل XGBoost آماده کنید.

نحوه توضیح و تنظیم پارامترهای مناسب مدل‌سازی XGBoost

این دوره بسیار عملی است و از نظریه غافل نمی‌شود. ما از درختان تصمیم و مفاهیم و اجزای مرتبط با آن شروع می‌کنیم، سپس به ساخت روش‌های گرادیان بوست می‌پردازیم و در نهایت به مدل‌سازی XGBoost می‌رسیم. ریاضیات و آمار به میزان کمتری برای توضیح مکانیسم‌ها در تمام روش‌های یادگیری ماشین به کار می‌روند. ما از فریم‌های داده pandas پایتون برای کاوش و پاکسازی داده‌ها استفاده می‌کنیم. یکی از ویژگی‌های قابل توجه این دوره این است که از مثال‌های متعدد برنامه پایتون برای نمایش هر نقطه دانش و مهارتی که در سخنرانی آموخته‌اید، استفاده کرده‌ایم.

نحوه اعمال کاوش داده، پاکسازی و آماده‌سازی برای روش XGBoost

نحوه پیاده‌سازی مؤثر انواع مختلف مدل‌های XGBoost با استفاده از بسته‌های پایتون

ما از مثال‌های متعدد برنامه پایتون برای نمایش هر نقطه دانش و مهارتی که در سخنرانی آموخته‌اید، استفاده کرده‌ایم.

نحوه انجام مهندسی ویژگی در مدل‌سازی پیش‌بینی‌کننده XGBoost

سخنرانی‌های فشرده‌ای در زمینه مهندسی ویژگی، انتخاب ویژگی و تنظیم پارامتر با هدف XGBoost ارائه خواهم داد.

نحوه انجام تحلیل آماری و انتخاب ویژگی در مدل‌سازی XGBoost

سخنرانی‌های فشرده‌ای در زمینه مهندسی ویژگی، انتخاب ویژگی و تنظیم پارامتر با هدف XGBoost ارائه خواهم داد.

نحوه توضیح و انتخاب معیارهای ارزیابی معمول و اهداف مدل برای ساخت مدل‌های XGBoost

این دوره به شما کمک می‌کند تا معیارهای ارزیابی معمول و اهداف مدل را برای ساخت مدل‌های XGBoost به درستی انتخاب کنید.

نحوه انجام اعتبارسنجی متقابل و تعیین بهترین آستانه‌های پارامتر

نحوه انجام اعتبارسنجی متقابل و تعیین بهترین آستانه‌های پارامتر برای مدل‌های XGBoost را خواهید آموخت.

نحوه انجام تنظیم پارامتر در ساخت مدل XGBoost

با این دوره، نحوه تنظیم پارامتر در ساخت مدل XGBoost را به طور مؤثر خواهید آموخت.

نحوه کاربرد موفقیت‌آمیز XGBoost در حل مسائل مختلف یادگیری ماشین

پس از این دوره، شما قادر خواهید بود از XGBoost با موفقیت در حل مسائل مختلف یادگیری ماشین استفاده کنید.

پیش‌نیازها

دانش پایه ریاضی
مهارت‌های پایه کامپیوتری

سرفصل ها و درس ها

مقدمه Introduction

آنچه در این دوره تدریس می‌کنم What am I teaching in this course
معرفی مدل‌سازی XGBoost introduction of XGBoost modeling
مروری بر ماشین تقویت گرادیان (gradient boost machine) Walk through gradient boost machine
معرفی مزایا و کاربردهای XGBoost (۱) Introduce advantages and applications of XGBoost (1)
معرفی مزایا و کاربردهای XGBoost (۲) Introduce advantages and applications of XGBoost (2)
معرفی مزایا و کاربردهای XGBoost (۳) Introduce advantages and applications of XGBoost (3)
معرفی مزایا و کاربردهای XGBoost (۴) Introduce advantages and applications of XGBoost (4)

درخت تصمیم و پیاده‌سازی Decision tree and implementation

مروری بر مدل‌سازی درخت تصمیم Overview of decision tree modeling
توضیح مفاهیم و اجزای درخت‌های تصمیم Explain the concepts and components in decision trees
درک چارچوب درخت‌های تصمیم Understand the framework of decision trees
مقدمه‌ای بر تقسیم و رشد گره‌های درخت تصمیم Introduction on decision tree nodes split and growth
توضیح نحوه ساخت درخت تصمیم با مثال Explain how to construct decision tree by examples
یادگیری قوانین Gini و تقسیم در مدل‌سازی درخت تصمیم Learn Gini and split rules in decision tree modeling
درک درخت تصمیم از نظر نمودار ابرصفحه دوبعدی Understand decision tree in terms of two dimensional hyperplane plot
درک طبقه‌بند و رگرسیون درخت تصمیم (۱) Understand decision tree classifier and regressor (1)
درک طبقه‌بند و رگرسیون درخت تصمیم (۲) Understand decision tree classifier and regressor (2)
یادگیری معیارهای عملکرد مدل (۱) Learn model performance measures (1)
یادگیری معیارهای عملکرد مدل (۲) Learn model performance measures (2)
مقدمه نصب Anaconda Introduction of Anaconda Installation
کد برنامه‌نویسی پایتون و داده‌های استفاده شده در این دوره The Python programming code and data used in this course
پیاده‌سازی مدل‌سازی درخت تصمیم در پایتون (۱) Implement decision tree modeling in Python (1)
پیاده‌سازی مدل‌سازی درخت تصمیم در پایتون (۲) Implement decision tree modeling in Python (2)
پیاده‌سازی مدل‌سازی درخت تصمیم در پایتون (۳) Implement decision tree modeling in Python (3)

ساخت ماشین تقویت گرادیان با استفاده از درخت‌های تصمیم Create gradient boost machine using decision trees

درک برخی نقاط ضعف درخت تصمیم (۱) Understand some weakness about decision tree (1)
درک برخی نقاط ضعف درخت تصمیم (۲) Understand some weakness about decision tree (2)
توضیح نحوه ساخت ماشین تقویت گرادیان با درخت‌های تصمیم Explain how to construct gradient boost machine with decision trees
استفاده از پایتون برای ساخت ماشین تقویت گرادیان خود با درخت‌های تصمیم Use Python to build your own gradient boost machine with decision trees
درک دلیل پیشرفته‌تر بودن ماشین تقویت گرادیان نسبت به درخت‌های تصمیم Understand why gradient boost machine is more advanced than decision trees

معرفی روش و کاربرد XGBoost Introduce XGBoost method and application

ساخت اولین مدل XGBoost در پایتون Create first XGBoost model in Python
توضیح پارامترهای XGBoost (۱) Lecture on the explanation of XGBoost’s parameters (1)
توضیح پارامترهای XGBoost (۲) Lecture on the explanation of XGBoost’s parameters (2)
توضیح پارامترهای XGBoost (۳) Lecture on the explanation of XGBoost’s parameters (3)
توضیح پارامترهای XGBoost (۴) Lecture on the explanation of XGBoost’s parameters (4)
توضیح پارامترهای XGBoost (۵) Lecture on the explanation of XGBoost’s parameters (5)
توضیح پارامترهای XGBoost (۶) Lecture on the explanation of XGBoost’s parameters (6)
توضیح پارامترهای XGBoost (۷) Lecture on the explanation of XGBoost’s parameters (7)
ساخت XGBoostClassifier برای کارت امتیاز ریسک اعتباری با استفاده از پایتون (۱) Build XGBoostClassifier for credit risk score card using Python (1)
ساخت XGBoostClassifier برای کارت امتیاز ریسک اعتباری با استفاده از پایتون (۲) Build XGBoostClassifier for credit risk score card using Python (2)
ساخت XGBoostClassifier برای کارت امتیاز ریسک اعتباری با استفاده از پایتون (۳) Build XGBoostClassifier for credit risk score card using Python (3)
توضیح متد fit و XGBoost booster بومی در XGBoost (۱) Lecture on the XGBoost’s fit method and native XGBoost booster (1)
توضیح متد fit و XGBoost booster بومی در XGBoost (۲) Lecture on the XGBoost’s fit method and native XGBoost booster (2)
پیاده‌سازی XGBoost booster بومی در پایتون با مثال Implement native XGBoost booster in Python by examples

مباحث پیشرفته الگوریتم XGBoost Advanced topics on XGBoost algorithm

معرفی الگوریتم XGBoost برای راهکارهای طبقه‌بندی چندگانه Introduction of XGBoost algorithm for multi-classification solutions
مورد استفاده XGBoost برای پیش‌بینی اهداف مدل ترتیبی در پایتون Use case of XGBoost for predicting ordinal model objectives in Python
مورد استفاده XGBoost برای پیش‌بینی اهداف مدل چند دسته‌ای Use case of XGBoost for predicting multi-categorical model objectives
مروری بر اهمیت ویژگی و کاربرد برای مدل‌سازی XGBoost Overview of feature importance and application for XGBoost modeling
برنامه‌های پایتون در مورد اهمیت ویژگی و انتخاب ویژگی در XGBoost (۱) Python programs on feature importance and feature selection in XGBoost (1)
برنامه‌های پایتون در مورد اهمیت ویژگی و انتخاب ویژگی در XGBoost (۲) Python programs on feature importance and feature selection in XGBoost (2)
معرفی روش‌های تنظیم پارامتر در مدل‌سازی XGBoost Introduce Parameter tuning methods in XGBoost modeling
معرفی پروژه پیش‌بینی فروش آنلاین با مدل‌سازی XGBoost Introduce online sales forecasting project with XGBoost modeling
توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۱) Lecture on the Python program of online sales XGBoost modeling (1)
توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۲) Lecture on the Python program of online sales XGBoost modeling (2)
توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۳) Lecture on the Python program of online sales XGBoost modeling (3)
توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۴) Lecture on the Python program of online sales XGBoost modeling (4)
توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۵) Lecture on the Python program of online sales XGBoost modeling (5)

خلاصه مدل‌سازی XGBoost و نکات مهم Summary of XGBoost modeling and important things

آنچه در این دوره یاد گرفته‌اید و برخی مطالب تکمیلی What you have learned in this course and some supplementary materials
خلاصه‌ای از مهندسی ویژگی در مدل‌سازی XGBoost Summary on feature engineering in XGBoost modeling
خلاصه‌ای از استانداردسازی ویژگی در مدل‌سازی XGBoost Summary on feature standardization in XGBoost modeling
خلاصه‌ای از مدیریت داده‌های دسته‌ای و گمشده در مدل‌سازی XGBoost Summary on handling categorical and missing data in XGBoost modeling
خلاصه‌ای از انتخاب ویژگی در مدل‌سازی XGBoost Summary on feature selection in XGBoost modeling
خلاصه‌ای از آموزش و اعتبارسنجی مدل در مدل‌سازی XGBoost Summary on training and validating model in XGBoost modeling
خلاصه‌ای از تنظیم پارامترها و پایداری مدل در XGBoost Summary on parameters tuning and model persistence in XGBoost
نمایش برنامه پایتون برای پایداری مدل XGBoost Show Python program for XGBoost model persistence

آموزش یادگیری ماشین XGBoost برای علم داده و کگل - آخرین آپدیت

دانلود XGBoost Machine Learning for Data Science and Kaggle

استاد الگوریتم یادگیری ماشین XGBoost، شرکت در مسابقات Kaggle و شروع حرفه علم داده

عملکرد الگوریتم XGBoost در پیش‌بینی اهداف مختلف مدل

نقش درختان تصمیم در مدل‌سازی گرادیان بوست و XGBoost

چرا XGBoost یکی از قدرتمندترین و پایدارترین روش‌های یادگیری ماشین در مسابقات Kaggle است؟

نحوه توضیح و تنظیم پارامترهای مناسب مدل‌سازی XGBoost

نحوه اعمال کاوش داده، پاکسازی و آماده‌سازی برای روش XGBoost

نحوه پیاده‌سازی مؤثر انواع مختلف مدل‌های XGBoost با استفاده از بسته‌های پایتون

نحوه انجام مهندسی ویژگی در مدل‌سازی پیش‌بینی‌کننده XGBoost

نحوه انجام تحلیل آماری و انتخاب ویژگی در مدل‌سازی XGBoost

نحوه توضیح و انتخاب معیارهای ارزیابی معمول و اهداف مدل برای ساخت مدل‌های XGBoost

نحوه انجام اعتبارسنجی متقابل و تعیین بهترین آستانه‌های پارامتر

نحوه انجام تنظیم پارامتر در ساخت مدل XGBoost

نحوه کاربرد موفقیت‌آمیز XGBoost در حل مسائل مختلف یادگیری ماشین

پیش‌نیازها

مقدمه Introduction

آنچه در این دوره تدریس می‌کنم What am I teaching in this course

معرفی مدل‌سازی XGBoost introduction of XGBoost modeling

مروری بر ماشین تقویت گرادیان (gradient boost machine) Walk through gradient boost machine

معرفی مزایا و کاربردهای XGBoost (۱) Introduce advantages and applications of XGBoost (1)

معرفی مزایا و کاربردهای XGBoost (۲) Introduce advantages and applications of XGBoost (2)

معرفی مزایا و کاربردهای XGBoost (۳) Introduce advantages and applications of XGBoost (3)

معرفی مزایا و کاربردهای XGBoost (۴) Introduce advantages and applications of XGBoost (4)

درخت تصمیم و پیاده‌سازی Decision tree and implementation

مروری بر مدل‌سازی درخت تصمیم Overview of decision tree modeling

توضیح مفاهیم و اجزای درخت‌های تصمیم Explain the concepts and components in decision trees

درک چارچوب درخت‌های تصمیم Understand the framework of decision trees

مقدمه‌ای بر تقسیم و رشد گره‌های درخت تصمیم Introduction on decision tree nodes split and growth

توضیح نحوه ساخت درخت تصمیم با مثال Explain how to construct decision tree by examples

یادگیری قوانین Gini و تقسیم در مدل‌سازی درخت تصمیم Learn Gini and split rules in decision tree modeling

درک درخت تصمیم از نظر نمودار ابرصفحه دوبعدی Understand decision tree in terms of two dimensional hyperplane plot

درک طبقه‌بند و رگرسیون درخت تصمیم (۱) Understand decision tree classifier and regressor (1)

درک طبقه‌بند و رگرسیون درخت تصمیم (۲) Understand decision tree classifier and regressor (2)

یادگیری معیارهای عملکرد مدل (۱) Learn model performance measures (1)

یادگیری معیارهای عملکرد مدل (۲) Learn model performance measures (2)

مقدمه نصب Anaconda Introduction of Anaconda Installation

کد برنامه‌نویسی پایتون و داده‌های استفاده شده در این دوره The Python programming code and data used in this course

پیاده‌سازی مدل‌سازی درخت تصمیم در پایتون (۱) Implement decision tree modeling in Python (1)

پیاده‌سازی مدل‌سازی درخت تصمیم در پایتون (۲) Implement decision tree modeling in Python (2)

پیاده‌سازی مدل‌سازی درخت تصمیم در پایتون (۳) Implement decision tree modeling in Python (3)

ساخت ماشین تقویت گرادیان با استفاده از درخت‌های تصمیم Create gradient boost machine using decision trees

درک برخی نقاط ضعف درخت تصمیم (۱) Understand some weakness about decision tree (1)

درک برخی نقاط ضعف درخت تصمیم (۲) Understand some weakness about decision tree (2)

توضیح نحوه ساخت ماشین تقویت گرادیان با درخت‌های تصمیم Explain how to construct gradient boost machine with decision trees

استفاده از پایتون برای ساخت ماشین تقویت گرادیان خود با درخت‌های تصمیم Use Python to build your own gradient boost machine with decision trees

درک دلیل پیشرفته‌تر بودن ماشین تقویت گرادیان نسبت به درخت‌های تصمیم Understand why gradient boost machine is more advanced than decision trees

معرفی روش و کاربرد XGBoost Introduce XGBoost method and application

ساخت اولین مدل XGBoost در پایتون Create first XGBoost model in Python

توضیح پارامترهای XGBoost (۱) Lecture on the explanation of XGBoost’s parameters (1)

توضیح پارامترهای XGBoost (۲) Lecture on the explanation of XGBoost’s parameters (2)

توضیح پارامترهای XGBoost (۳) Lecture on the explanation of XGBoost’s parameters (3)

توضیح پارامترهای XGBoost (۴) Lecture on the explanation of XGBoost’s parameters (4)

توضیح پارامترهای XGBoost (۵) Lecture on the explanation of XGBoost’s parameters (5)

توضیح پارامترهای XGBoost (۶) Lecture on the explanation of XGBoost’s parameters (6)

توضیح پارامترهای XGBoost (۷) Lecture on the explanation of XGBoost’s parameters (7)

ساخت XGBoostClassifier برای کارت امتیاز ریسک اعتباری با استفاده از پایتون (۱) Build XGBoostClassifier for credit risk score card using Python (1)

ساخت XGBoostClassifier برای کارت امتیاز ریسک اعتباری با استفاده از پایتون (۲) Build XGBoostClassifier for credit risk score card using Python (2)

ساخت XGBoostClassifier برای کارت امتیاز ریسک اعتباری با استفاده از پایتون (۳) Build XGBoostClassifier for credit risk score card using Python (3)

توضیح متد fit و XGBoost booster بومی در XGBoost (۱) Lecture on the XGBoost’s fit method and native XGBoost booster (1)

توضیح متد fit و XGBoost booster بومی در XGBoost (۲) Lecture on the XGBoost’s fit method and native XGBoost booster (2)

پیاده‌سازی XGBoost booster بومی در پایتون با مثال Implement native XGBoost booster in Python by examples

مباحث پیشرفته الگوریتم XGBoost Advanced topics on XGBoost algorithm

معرفی الگوریتم XGBoost برای راهکارهای طبقه‌بندی چندگانه Introduction of XGBoost algorithm for multi-classification solutions

مورد استفاده XGBoost برای پیش‌بینی اهداف مدل ترتیبی در پایتون Use case of XGBoost for predicting ordinal model objectives in Python

مورد استفاده XGBoost برای پیش‌بینی اهداف مدل چند دسته‌ای Use case of XGBoost for predicting multi-categorical model objectives

مروری بر اهمیت ویژگی و کاربرد برای مدل‌سازی XGBoost Overview of feature importance and application for XGBoost modeling

برنامه‌های پایتون در مورد اهمیت ویژگی و انتخاب ویژگی در XGBoost (۱) Python programs on feature importance and feature selection in XGBoost (1)

برنامه‌های پایتون در مورد اهمیت ویژگی و انتخاب ویژگی در XGBoost (۲) Python programs on feature importance and feature selection in XGBoost (2)

معرفی روش‌های تنظیم پارامتر در مدل‌سازی XGBoost Introduce Parameter tuning methods in XGBoost modeling

معرفی پروژه پیش‌بینی فروش آنلاین با مدل‌سازی XGBoost Introduce online sales forecasting project with XGBoost modeling

توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۱) Lecture on the Python program of online sales XGBoost modeling (1)

توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۲) Lecture on the Python program of online sales XGBoost modeling (2)

توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۳) Lecture on the Python program of online sales XGBoost modeling (3)

توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۴) Lecture on the Python program of online sales XGBoost modeling (4)

توضیح برنامه پایتون مدل‌سازی فروش آنلاین با XGBoost (۵) Lecture on the Python program of online sales XGBoost modeling (5)

خلاصه مدل‌سازی XGBoost و نکات مهم Summary of XGBoost modeling and important things

آنچه در این دوره یاد گرفته‌اید و برخی مطالب تکمیلی What you have learned in this course and some supplementary materials

خلاصه‌ای از مهندسی ویژگی در مدل‌سازی XGBoost Summary on feature engineering in XGBoost modeling

خلاصه‌ای از استانداردسازی ویژگی در مدل‌سازی XGBoost Summary on feature standardization in XGBoost modeling