لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مهندسی ویژگی
Feature Engineering
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا می خواهید بدانید چگونه می توانید دقت مدل های ML خود را بهبود بخشید؟ در مورد اینکه چگونه می توان یافت کدام ستون داده ها مفیدترین ویژگی ها را دارند چطور؟ به Feature Engineering خوش آمدید که در آن ویژگیهای خوب در مقابل بد و اینکه چگونه میتوانید آنها را برای استفاده بهینه در مدلهای خود پیش پردازش و تبدیل کنید، مورد بحث قرار خواهیم داد.
سرفصل ها و درس ها
معرفی
Introduction
معرفی
Introduction
معرفی
Introduction
داده های خام به ویژگی ها
Raw data to features
داده های خام به ویژگی ها
Raw Data to Features
داده های خام به ویژگی ها
Raw Data to Features
ویژگی های خوب در مقابل بد
Good vs Bad Features
ویژگی های خوب در مقابل بد
Good vs Bad Features
امتحان: ویژگی ها با هدف مرتبط هستند
Quiz: Features are Related to the Objective
امتحان: ویژگی ها با هدف مرتبط هستند
Quiz: Features are Related to the Objective
امتحان: ویژگی ها در زمان پیش بینی قابل تشخیص هستند
Quiz: Features are knowable at prediction time
امتحان: ویژگی ها در زمان پیش بینی قابل تشخیص هستند
Quiz: Features are knowable at prediction time
ویژگی ها در زمان پیش بینی قابل تشخیص هستند
Features are knowable at prediction time'
ویژگی ها در زمان پیش بینی قابل تشخیص هستند
Features are knowable at prediction time'
ویژگی ها باید عددی باشند
Features should be numeric
ویژگی ها باید عددی باشند
Features should be numeric
امتحان: ویژگی ها باید عددی باشند
Quiz: Features should be numeric
امتحان: ویژگی ها باید عددی باشند
Quiz: Features should be numeric
ویژگی ها باید نمونه های کافی داشته باشند
Features should have enough examples
ویژگی ها باید نمونه های کافی داشته باشند
Features should have enough examples
امتحان: ویژگی ها باید نمونه های کافی داشته باشند (قسمت 1)
Quiz: Features should have enough examples (part 1)
امتحان: ویژگی ها باید نمونه های کافی داشته باشند (قسمت 1)
Quiz: Features should have enough examples (part 1)
امتحان: ویژگی ها باید به اندازه کافی مثال داشته باشند (قسمت 2)
Quiz: Features should have enough examples (part 2)
امتحان: ویژگی ها باید به اندازه کافی مثال داشته باشند (قسمت 2)
Quiz: Features should have enough examples (part 2)
آوردن بینش های انسانی
Bringing human insights
آوردن بینش های انسانی
Bringing human insights
نمایش ویژگی ها
Representing Features
نمایش ویژگی ها
Representing Features
ML در مقابل آمار
ML vs Statistics
ML در مقابل آمار
ML vs Statistics
شروع کار با GCP و Qwiklabs
Getting Started With GCP And Qwiklabs
شروع کار با GCP و Qwiklabs
Getting Started With GCP And Qwiklabs
آزمایشگاه: [ML on GCP C4] بهبود دقت مدل با ویژگیهای جدید
Lab: [ML on GCP C4] Improving model accuracy with new features
آزمایشگاه: [ML on GCP C4] بهبود دقت مدل با ویژگیهای جدید
Lab: [ML on GCP C4] Improving model accuracy with new features
بهبود دقت مدل با ویژگی های جدید
Improve model accuracy with new features
بهبود دقت مدل با ویژگی های جدید
Improve model accuracy with new features
پیش پردازش و ایجاد ویژگی
Preprocessing and feature creation
پیش پردازش و ایجاد ویژگی
Preprocessing and feature creation
پیش پردازش و ایجاد ویژگی
Preprocessing and feature creation
Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.
Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر میسازد تا مهارتهای ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاههای عملی این شرکت اعتبارنامههای موقتی را به منابع واقعی ابر ارائه میدهند، بنابراین افراد میتوانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.
نمایش نظرات