آموزش درختان تصمیم، جنگل های تصادفی، AdaBoost و XGBoost در پایتون
Decision Trees, Random Forests, AdaBoost & XGBoost in Python
آنچه یاد خواهید گرفت
-
درک کاملی از درخت تصمیم بدست آورید
-
سناریوهای کسب و کار را که درخت تصمیم در آن قابل اجرا است را درک کنید
-
فراپارامترهای یک مدل یادگیری ماشین را تنظیم کنید و عملکرد آن را ارزیابی کنید.
-
از Pandas DataFrames برای دستکاری داده ها و انجام محاسبات آماری استفاده کنید.
-
از درخت های تصمیم برای پیش بینی استفاده کنید
-
مزایا و معایب الگوریتم های مختلف را بیاموزید
شما به دنبال یک دوره کامل درخت تصمیم هستید که همه چیزهایی را که برای ایجاد یک درخت تصمیم/جنگل تصادفی/مدل XGBoost در پایتون نیاز دارید را به شما آموزش دهد، درست است؟
شما دوره آموزشی تکنیک های پیشرفته Decision Trees و درختی را پیدا کرده اید!
پس از تکمیل این دوره، شما قادر خواهید بود:
مشکل کسب و کار را که می توان با استفاده از درخت تصمیم/جنگل تصادفی/XGBoost یادگیری ماشین حل کرد، شناسایی کنید.
درکی واضح از الگوریتم‌های مبتنی بر درخت تصمیم‌گیری پیشرفته مانند Random Forest، Bagging، AdaBoost و XGBoost داشته باشید
یک مدل درختی (Decision tree، Random Forest، Bagging، AdaBoost و XGBoost) در Python ایجاد کنید و نتیجه آن را تجزیه و تحلیل کنید.
مفاهیم یادگیری ماشین را با اطمینان تمرین، بحث و درک کنید
این دوره چگونه به شما کمک خواهد کرد؟
گواهی تکمیل قابل تأیید به همه دانش‌آموزانی که این دوره پیشرفته یادگیری ماشینی را انجام می‌دهند ارائه می‌شود.
اگر شما یک مدیر کسب و کار یا یک مدیر اجرایی هستید، یا دانشجویی هستید که می خواهید یادگیری ماشینی را در مسائل دنیای واقعی کسب و کار بیاموزید و به کار ببرید، این دوره با آموزش برخی از تکنیک های پیشرفته به شما پایه محکمی برای آن می دهد. یادگیری ماشین که عبارتند از Decision Tree، Random Forest، Bagging، AdaBoost و XGBoost.
چرا باید این دوره را انتخاب کنید؟
این دوره تمام مراحلی را که باید در حین حل یک مشکل تجاری از طریق درخت تصمیم انجام دهید، پوشش می دهد.
اکثر دوره‌ها فقط بر آموزش نحوه اجرای تجزیه و تحلیل تمرکز می‌کنند، اما ما معتقدیم که آنچه قبل و بعد از اجرای تجزیه و تحلیل اتفاق می‌افتد از اهمیت بیشتری برخوردار است، یعنی قبل از اجرای تجزیه و تحلیل، بسیار مهم است که داده‌های مناسب داشته باشید و مقداری پیش پردازش روی آن انجام دهید. آی تی. و پس از اجرای تجزیه و تحلیل، باید بتوانید قضاوت کنید که مدل خود چقدر خوب است و نتایج را تفسیر کنید تا واقعا بتوانید به کسب و کار خود کمک کنید.
چه چیزی ما را واجد شرایط آموزش به شما می کند؟
این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران در شرکت مشاوره آنالیتیکس جهانی، به کسب‌وکارها کمک کرده‌ایم تا مشکل کسب‌وکار خود را با استفاده از تکنیک‌های یادگیری ماشین حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم
ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 150000 ثبت نام و هزاران بررسی 5 ستاره مانند این:
این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا
با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی می ارزد. - دیزی
قول ما
آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مربوط به هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.
فایل‌های تمرین را دانلود کنید، در آزمون‌ها شرکت کنید و تکالیف را تکمیل کنید
با هر سخنرانی، یادداشت‌های کلاسی پیوست شده است که می‌توانید آن را دنبال کنید. همچنین می‌توانید برای بررسی درک خود از مفاهیم، در آزمون‌هایی شرکت کنید. هر بخش شامل یک تکلیف تمرینی است تا بتوانید یادگیری خود را عملی کنید.
چه مواردی در این دوره پوشش داده می شود؟
این دوره تمام مراحل ایجاد یک مدل مبتنی بر درخت تصمیم را که برخی از محبوب‌ترین مدل‌های یادگیری ماشین هستند، برای حل مشکلات تجاری به شما آموزش می‌دهد.
در زیر محتویات دوره این دوره در زمینه رگرسیون خطی آمده است:
بخش 1 - مقدمه ای بر یادگیری ماشین
در این بخش خواهیم آموخت - یادگیری ماشینی به چه معناست. معانی یا اصطلاحات مختلف مرتبط با یادگیری ماشین چیست؟ چند مثال خواهید دید تا متوجه شوید که یادگیری ماشینی در واقع چیست. همچنین شامل مراحلی است که در ساخت یک مدل یادگیری ماشین، نه فقط مدل‌های خطی، بلکه هر مدل یادگیری ماشینی دخیل است.
بخش 2 - پایتون اساسی
این بخش شما را با پایتون شروع می کند.
این بخش به شما کمک می کند تا محیط پایتون و ژوپیتر را روی سیستم خود راه اندازی کنید و به شما یاد می دهد که چگونه برخی از عملیات اساسی را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy، Pandas Seaborn را درک خواهیم کرد.
بخش 3 - درختان پیش پردازش و تصمیم گیری ساده
در این بخش خواهید آموخت که چه اقداماتی باید انجام دهید تا آن را برای تجزیه و تحلیل آماده کنید، این مراحل برای ایجاد یک معنادار بسیار مهم هستند.
در این بخش، با تئوری پایه درخت تصمیم شروع می‌کنیم، سپس موضوعات پیش‌پردازش داده‌ها مانند مقدار گمشده، تبدیل متغیر و تقسیم Test-Train را پوشش می‌دهیم. در پایان یک درخت تصمیم گیری رگرسیون ساده ایجاد و رسم می کنیم.
بخش 4 - درخت طبقه بندی ساده
در این بخش دانش خود را در مورد درخت تصمیم رگرسیون به درختان طبقه بندی گسترش می دهیم، همچنین یاد می گیریم که چگونه یک درخت طبقه بندی در پایتون ایجاد کنیم
بخش 5، 6 و 7 - تکنیک Ensemble
در این بخش بحث خود را در مورد تکنیک های پیشرفته مجموعه برای درختان تصمیم شروع می کنیم. تکنیک‌های گروهی برای بهبود پایداری و دقت الگوریتم‌های یادگیری ماشین استفاده می‌شوند. در این دوره ما Random Forest، Baggind، Gradient Boosting، AdaBoost و XGBoost را مورد بحث قرار خواهیم داد.
در پایان این دوره، اعتماد به نفس شما در ایجاد یک مدل درخت تصمیم در پایتون افزایش می یابد. شما درک کاملی از نحوه استفاده از مدلسازی درخت تصمیم برای ایجاد مدل‌های پیش‌بینی و حل مشکلات تجاری خواهید داشت.
ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 می بینم!
به سلامتی
Start-Tech Academy
------------
در زیر فهرستی از پرسش‌های متداول رایج دانش‌آموزانی که می‌خواهند سفر یادگیری ماشینی خود را آغاز کنند، آمده است-
یادگیری ماشینی چیست؟
Machine Learning رشته‌ای از علوم رایانه است که به رایانه توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد. این شاخه ای از هوش مصنوعی است که مبتنی بر این ایده است که سیستم ها می توانند از داده ها یاد بگیرند، الگوها را شناسایی کنند و با کمترین مداخله انسانی تصمیم بگیرند.
مراحلی را که باید دنبال کنم تا بتوانم یک مدل یادگیری ماشینی بسازم چیست؟
می توانید فرآیند یادگیری خود را به 4 قسمت تقسیم کنید:
آمار و احتمال - پیاده‌سازی تکنیک‌های یادگیری ماشینی به دانش اولیه آمار و مفاهیم احتمال نیاز دارد. بخش دوم دوره این بخش را پوشش می دهد.
درک یادگیری ماشینی - بخش چهارم به شما کمک می کند تا اصطلاحات و مفاهیم مرتبط با یادگیری ماشین را درک کنید و مراحلی را که باید برای ساختن یک مدل یادگیری ماشین دنبال کنید ارائه می دهد
تجربه برنامه نویسی - بخش مهمی از یادگیری ماشین برنامه نویسی است. پایتون و R به وضوح در روزهای اخیر پیشتاز هستند. بخش سوم به شما کمک می کند تا محیط پایتون را راه اندازی کنید و چند عملیات اساسی را به شما آموزش می دهد. در بخش های بعدی ویدیویی در مورد نحوه پیاده سازی هر مفهومی که در سخنرانی تئوری در پایتون تدریس می شود وجود دارد
آشنایی با مدلسازی رگرسیون خطی - داشتن دانش خوب از رگرسیون خطی به شما درک کاملی از نحوه عملکرد یادگیری ماشین می‌دهد. اگرچه رگرسیون خطی ساده‌ترین تکنیک یادگیری ماشینی است، اما همچنان محبوب‌ترین روش با توانایی پیش‌بینی نسبتاً خوب است. بخش پنجم و ششم مبحث رگرسیون خطی را سرتاسر پوشش می دهد و با هر سخنرانی تئوری یک سخنرانی عملی مربوطه ارائه می شود که در آن ما در واقع هر پرس و جو را با شما اجرا می کنیم.
چرا از Python برای یادگیری ماشین داده استفاده کنیم؟
درک Python یکی از مهارت‌های ارزشمند مورد نیاز برای یک حرفه در یادگیری ماشین است.
اگرچه همیشه اینطور نبوده است، پایتون زبان برنامه نویسی انتخابی برای علم داده است. این یک تاریخچه مختصر است:
در سال 2016، از R در Kaggle، پلتفرم برتر مسابقات علم داده، پیشی گرفت.
در سال 2017، در نظرسنجی سالانه KDNuggets از ابزارهای پرکاربرد دانشمندان داده، از R پیشی گرفت.
در سال 2018، 66 درصد از دانشمندان داده گزارش کردند که از پایتون روزانه استفاده می کنند، که آن را به ابزار شماره یک برای متخصصان تجزیه و تحلیل تبدیل می کند.
کارشناسان یادگیری ماشین انتظار دارند این روند با افزایش توسعه در اکوسیستم پایتون ادامه یابد. و در حالی که سفر شما برای یادگیری برنامه نویسی پایتون ممکن است تازه شروع شده باشد، خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) نیز هستند.
تفاوت بین داده کاوی، یادگیری ماشینی و یادگیری عمیق چیست؟
به زبان ساده، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند، به جز اینکه انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش شناخته شده را بازتولید می کند - و بیشتر به طور خودکار این اطلاعات را در داده ها، تصمیم گیری ها و اقدامات اعمال می کند.
آموزش عمیق، از سوی دیگر، از قدرت محاسباتی پیشرفته و انواع خاصی از شبکه های عصبی استفاده می کند و آنها را در مقادیر زیادی از داده ها برای یادگیری، درک و شناسایی الگوهای پیچیده به کار می برد. ترجمه خودکار زبان و تشخیص های پزشکی نمونه هایی از یادگیری عمیق هستند.
این دوره برای چه کسانی است:
- افرادی که به دنبال شغلی در علم داده هستند
- حرفه ای ها سفر داده خود را آغاز می کنند
- آماردانان به تجربه عملی بیشتری نیاز دارند
- هر کسی که کنجکاو است در مدت زمان کوتاهی بر تکنیک درخت تصمیم از مبتدی تا پیشرفته مسلط شود
مقدمه Introduction
-
به دوره خوش آمدید! Welcome to the Course!
-
منابع دوره Course Resources
راه اندازی Python و Python Crash Course Setting up Python and Python Crash Course
-
نصب پایتون و آناکوندا Installing Python and Anaconda
-
این یک نقطه عطف است! This is a milestone!
-
باز کردن نوت بوک Jupyter Opening Jupyter Notebook
-
آشنایی با ژوپیتر Introduction to Jupyter
-
عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics
-
رشته ها در پایتون: اصول پایتون Strings in Python: Python Basics
-
لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics
-
کار با کتابخانه Numpy پایتون Working with Numpy Library of Python
-
کار با Pandas Library of Python Working with Pandas Library of Python
-
کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python
مبانی یادگیری ماشین Machine Learning Basics
-
مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning
-
ساخت یک مدل یادگیری ماشینی Building a Machine Learning Model
درختان تصمیم گیری ساده Simple Decision trees
-
مبانی درخت تصمیم Basics of decision trees
-
درک درخت رگرسیون Understanding a Regression Tree
-
معیارهای توقف برای کنترل رشد درختان The stopping criteria for controlling tree growth
-
مجموعه داده ها برای دوره The Data set for the Course
-
وارد کردن داده ها در پایتون Importing Data in Python
-
درمان ارزش از دست رفته در پایتون Missing value treatment in Python
-
ایجاد متغیر ساختگی در پایتون Dummy Variable creation in Python
-
تقسیم داده های وابسته- مستقل در پایتون Dependent- Independent Data split in Python
-
تقسیم Test-Train در پایتون Test-Train split in Python
-
اطلاعات بیشتر در مورد تقسیم قطار آزمایشی More about test-train split
-
ایجاد درخت تصمیم در پایتون Creating Decision tree in Python
-
ارزیابی عملکرد مدل در پایتون Evaluating model performance in Python
-
ترسیم درخت تصمیم در پایتون Plotting decision tree in Python
-
هرس درخت Pruning a tree
-
هرس درخت در پایتون Pruning a tree in Python
درخت طبقه بندی ساده Simple Classification Tree
-
درخت طبقه بندی Classification tree
-
مجموعه داده ها برای مشکل طبقه بندی The Data set for Classification problem
-
درخت طبقه بندی در پایتون: پیش پردازش Classification tree in Python : Preprocessing
-
درخت طبقه بندی در پایتون: آموزش Classification tree in Python : Training
-
مزایا و معایب درختان تصمیم Advantages and Disadvantages of Decision Trees
تکنیک گروه 1 - کیسه زدن Ensemble technique 1 - Bagging
-
تکنیک گروه 1 - کیسه زدن Ensemble technique 1 - Bagging
-
تکنیک گروه 1 - Bagging در پایتون Ensemble technique 1 - Bagging in Python
تکنیک گروه 2 - جنگل های تصادفی Ensemble technique 2 - Random Forests
-
تکنیک گروه 2 - جنگل های تصادفی Ensemble technique 2 - Random Forests
-
تکنیک گروه 2 - جنگل های تصادفی در پایتون Ensemble technique 2 - Random Forests in Python
-
استفاده از Grid Search در پایتون Using Grid Search in Python
تکنیک گروه 3 - تقویت Ensemble technique 3 - Boosting
-
تقویت Boosting
-
امتحان Quiz
-
تکنیک Ensemble 3a - تقویت در پایتون Ensemble technique 3a - Boosting in Python
-
تکنیک Ensemble 3b - AdaBoost در پایتون Ensemble technique 3b - AdaBoost in Python
-
تکنیک Ensemble 3c - XGBoost در پایتون Ensemble technique 3c - XGBoost in Python
-
امتحان Quiz
-
امتحان Quiz
افزودنی 1: پیش پردازش و آماده سازی داده ها قبل از ساخت مدل ML Add-on 1: Preprocessing and Preparing Data before making ML model
-
جمع آوری دانش کسب و کار Gathering Business Knowledge
-
کاوش داده ها Data Exploration
-
مجموعه داده و دیکشنری داده The Dataset and the Data Dictionary
-
وارد کردن داده ها در پایتون Importing Data in Python
-
وارد کردن داده ها در پایتون Importing Data in Python
-
تجزیه و تحلیل تک متغیره و EDD Univariate analysis and EDD
-
EDD در پایتون EDD in Python
-
درمان پرت Outlier Treatment
-
درمان پرت در پایتون Outlier Treatment in Python
-
مقدار گمشده Missing Value Imputation
-
مقدار از دست رفته در پایتون Missing Value Imputation in Python
-
فصلی بودن در داده ها Seasonality in Data
-
تجزیه و تحلیل دو متغیره و تبدیل متغیر Bi-variate analysis and Variable transformation
-
تبدیل و حذف متغیر در پایتون Variable transformation and deletion in Python
-
متغیرهای غیر قابل استفاده Non-usable variables
-
ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data
-
ایجاد متغیر ساختگی در پایتون Dummy variable creation in Python
-
تجزیه و تحلیل همبستگی Correlation Analysis
-
تجزیه و تحلیل همبستگی در پایتون Correlation Analysis in Python
-
امتحان Quiz
نتیجه Conclusion
-
نقطه عطف نهایی! The final milestone!
-
سخنرانی پاداش Bonus Lecture
https://donyad.com/d/dfab
Start-Tech Academy
بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.
نمایش نظرات