آموزش پایتون: پیاده‌سازی و ارزیابی جنگل تصادفی (Random Forests) برای یادگیری ماشین - آخرین آپدیت

دانلود Python: Implement & Evaluate Random Forests for ML

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: این دوره عملی، زبان‌آموزان را با مهارت‌های لازم برای پیاده‌سازی، تحلیل و ارزیابی الگوریتم جنگل تصادفی (Random Forest) با استفاده از پایتون آشنا می‌کند. این دوره که بر اساس یک مسئله طبقه‌بندی واقعی با استفاده از مجموعه داده SONAR طراحی شده است، کاربران را در تمام مراحل — از بارگذاری و پیش‌پردازش داده‌ها تا ساخت درخت‌های تصمیم و تجمیع مدل‌های جنگل تصادفی — راهنمایی می‌کند. از طریق درس‌های کد-محور و آزمون‌های هدایت شده، یادگیرندگان تکنیک‌های یادگیری نظارت شده را به کار می‌گیرند، عملکرد مدل را با استفاده از اعتبار‌سنجی متقابل (Cross-Validation) محاسبه می‌کنند و مرزهای تصمیم را با استفاده از معیارهای ناخالصی مانند شاخص جینی (Gini index) ارزیابی می‌کنند. همچنین شرکت‌کنندگان یاد می‌گیرند که چگونه دقت مدل را با به‌کارگیری بهترین روش‌ها مانند k-fold validation و نمونه‌برداری تصادفی بهینه کنند. در پایان این دوره، یادگیرندگان یک طبقه‌بندی‌کننده جنگل تصادفی فعال ساخته و توانایی ارزیابی اثربخشی آن روی مجموعه‌داده‌های واقعی را کسب خواهند کرد. این دوره برای افرادی که دانش پایه پایتون دارند و می‌خواهند پایه خود را در یادگیری ماشین از طریق کاوش‌های پروژه-محور و نتایج یادگیری ساختاریافته تقویت کنند، ایده‌آل است.

سرفصل ها و درس ها

ساخت و ارزیابی جنگل‌های تصادفی با پایتون Building and Evaluating Random Forests with Python

مقدمه و آشنایی با مجموعه داده SONAR Introduction and Understanding of SONAR Dataset
بارگذاری فایل CSV Load a CSV File
ادامه بارگذاری فایل CSV Load a CSV File Continue
تقسیم مجموعه داده به k-Fold Split a dataset into k Folds
ارزیابی الگوریتم با استفاده از تقسیم اعتبار‌سنجی متقابل Evaluate an Algorithm using a Cross Validation Split
محاسبه شاخص جینی برای مجموعه داده تقسیم شده Calculate the Gini index for a Split Dataset
انتخاب بهترین نقطه تقسیم برای مجموعه داده Select the Best Split Point for a Dataset
ایجاد مقدار گره انتهایی (Terminal Node) Create a Terminal Node Value
ساخت یک درخت تصمیم Build a Decision Tree
ایجاد یک نمونه تصادفی (Random Subsample) Create a Random Subsample
الگوریتم جنگل تصادفی Random Forest Algorithm
تست الگوریتم جنگل تصادفی روی مجموعه داده Sonar Test the Random Forest Algorithm on Sonar Dataset
ارزیابی نهایی الگوریتم Evaluate Algorithm