فیلم یادگیری Preparing Data for Feature Engineering and Machine Learning in Microsoft Azure

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با Microsoft Azure یاد می گیرید.

عنوان اصلی : Preparing Data for Feature Engineering and Machine Learning in Microsoft Azure

سرفصل ها :

بررسی اجمالی دوره
گردش کار آزمایش یادگیری ماشین Azure
نسخه ی نمایشی: ایجاد فضای کاری خدمات یادگیری ماشینی Azure
نسخه ی نمایشی: ایجاد فضای کاری استودیوی یادگیری ماشینی Azure
نسخه ی نمایشی: کاوش مجموعه داده
معرفی
مقدمه ای بر یادگیری ماشینی Azure
پیش نیازها
خلاصه
یادگیری ماشینی چیست؟
6 ویژگی یک ویژگی خوب
هدف را برای مشکلات ML تعریف کنید
نسخه ی نمایشی: کاوش مجموعه داده ها برای مشکلات مختلف
نسخه ی نمایشی: اصلاح فراداده مجموعه های داده
چگونه الگوریتم ها مدل ها را یاد می گیرند
معرفی
حرکت از داده های خام به ویژگی ها
خلاصه
روش های پیش پردازش داده ها
نسخه ی نمایشی: پاک کردن داده ها (ردیف های تکراری)
نسخه ی نمایشی: پاک کردن داده ها (داده های اشتباه)
نسخه ی نمایشی: پاکسازی داده ها
نسخه ی نمایشی: تبدیل داده ها
نسخه ی نمایشی: گسسته سازی داده ها
نسخه ی نمایشی: گسسته سازی مبتنی بر آنتروپی
نسخه ی نمایشی: تجزیه و تحلیل داده های اکتشافی
نسخه ی نمایشی: کاهش داده ها (نمونه گیری ویژگی)
نسخه ی نمایشی: کاهش داده ها (نمونه برداری ضبط)
گسسته سازی مبتنی بر آنتروپی
معرفی
خلاصه
نسخه ی نمایشی: حذف لیستی
نسخه ی نمایشی: با MICE جایگزین کنید
نسخه ی نمایشی: با استفاده از متغیرهای شاخص
معایب روش‌های تکثیر
MICE چگونه کار می کند
معرفی
مشکل در حذف ردیف ها
دلایل گم شدن داده ها
میانگین، میانه و حالت را جایگزین کنید
خلاصه
ساخت مدل های بهتر با مهندسی ویژگی
نسخه ی نمایشی: یادگیری با شمارش متغیرهای دسته بندی
نسخه ی نمایشی: متغیرهای دسته بندی رمزگذاری یک داغ
متغیرهای دسته بندی مهندسی ویژگی
متغیرهای عددی مهندسی ویژگی
معرفی
نقش مهندسی ویژگی در پیچیدگی مدل
خلاصه
چرا مهندسی ویژگی؟
نسخه ی نمایشی: اعتبار سنجی متقابل
نسخه ی نمایشی: انتخاب مدل
نسخه ی نمایشی: داده ها را به مجموعه آموزشی و آزمایشی تقسیم کنید
نسخه ی نمایشی: آموزش و آزمایش بر روی همان داده ها
معرفی
اعتبار سنجی متقاطع یکباره
تقسیم داده ها برای تنظیم مدل
خلاصه
مسائل مقیاس داده در مدل های مبتنی بر فاصله
نسخه ی نمایشی: SMOTE
مجموعه داده نامتعادل برای مشکلات طبقه بندی
معرفی
مسئله چند خطی در مدل های رگرسیونی
پرت در مدل های رگرسیون
مشکل با مجموعه داده های با ابعاد بالا
خلاصه