پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی

یادگیری ماشینی پروژه محور : تجزیه و تحلیل پیش بینی حمله قلبی

13,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

علوم داده و یادگیری ماشین - یادگیری ماشین خود را تقویت کنید ، مهارت های آمار با پروژه تجزیه و تحلیل سکته قلبی واقعی

عنوان اصلی : Machine Learning Project: Heart Attack Prediction Analysis

سرفصل های دوره :

مقدمه یادگیری ماشین با پروژه پیش بینی حمله قلب واقعی:
سؤالات متداول در مورد یادگیری ماشین ، علوم داده
طراحی نوت بوک مورد استفاده در پروژه
پرونده پیوند پروژه - پروژه پیش بینی حمله Hearth ، یادگیری ماشین
بررسی موضوع پروژه
شناخت متغیرها در مجموعه داده
سازمان اول:
کتابخانه های پایتون
بارگیری مجموعه داده های آمار در علوم داده
تجزیه و تحلیل اولیه در مجموعه داده
آماده سازی برای تجزیه و تحلیل داده های اکتشافی (EDA) در علوم داده:
بررسی مقادیر گمشده
بررسی مقادیر منحصر به فرد
جدا کردن متغیرها (عددی یا طبقه بندی)
بررسی آمار متغیرها
تجزیه و تحلیل داده های اکتشافی (EDA) - تجزیه و تحلیل متغیرهای متغیر:
متغیرهای عددی (تجزیه و تحلیل با distplot): درس 1
متغیرهای عددی (تجزیه و تحلیل با distplot): درس 2
متغیرهای طبقه بندی (تجزیه و تحلیل با نمودار پای): درس 1
متغیرهای طبقه بندی (تجزیه و تحلیل با نمودار پای): درس 2
بررسی داده های گمشده با توجه به نتیجه تجزیه و تحلیل
تجزیه و تحلیل داده های اکتشافی (EDA) - تجزیه و تحلیل دو متغیر:
متغیرهای عددی - متغیر هدف (تجزیه و تحلیل با FaceTgrid): درس 1
متغیرهای عددی - متغیر هدف (تجزیه و تحلیل با FaceTgrid): درس 2
متغیرهای طبقه بندی - متغیر هدف (تجزیه و تحلیل با طرح شمارش): درس 1
متغیرهای طبقه بندی - متغیر هدف (تجزیه و تحلیل با طرح شمارش): درس 2
بررسی متغیرهای عددی در بین خود (تجزیه و تحلیل با طرح جفت) درس 1
بررسی متغیرهای عددی در بین خود (تجزیه و تحلیل با طرح جفت) درس 2
مقیاس بندی ویژگی با روش قوی مقیاس پذیر
ایجاد یک DataFrame جدید با عملکرد MELT ()
متغیرهای عددی - طبقه بندی (تجزیه و تحلیل با طرح Swarm): درس 1
متغیرهای عددی - طبقه بندی (تجزیه و تحلیل با طرح Swarm): درس 2
متغیرهای عددی - طبقه بندی (تجزیه و تحلیل با طرح جعبه): درس 1
متغیرهای عددی - طبقه بندی (تجزیه و تحلیل با طرح جعبه): درس 2
روابط بین متغیرها (تجزیه و تحلیل با نقشه گرما): درس 1
روابط بین متغیرها (تجزیه و تحلیل با نقشه گرما): درس 2
آماده سازی برای مدل سازی در یادگیری ماشین:
رها کردن ستون ها با همبستگی کم
تجسم دور دور
برخورد با Outliers - متغیر TRTBPS: درس 1
برخورد با Outliers - متغیر TRTBPS: درس 2
برخورد با Outliers - متغیر Thalach
برخورد با Outliers - متغیر OldPeak
تعیین توزیع متغیرهای عددی
عملیات تحول بر روی داده های نامتقارن
استفاده از یک روش رمزگذاری داغ در متغیرهای طبقه بندی
مقیاس بندی ویژگی با روش قوی مقیاس پذیر برای الگوریتم های یادگیری ماشین
جدا کردن داده ها در مجموعه آزمون و آموزش
مدل سازی برای یادگیری ماشین:
رگرسیون لجستیک
اعتبار سنجی متقابل
منحنی ROC و منطقه زیر منحنی (AUC)
بهینه سازی HyperParameter (با GridSearchCV)
الگوریتم درخت تصمیم
الگوریتم دستگاه بردار پشتیبانی
الگوریتم جنگلی تصادفی
بهینه سازی HyperParameter (با GridSearchCV)
نتیجه گیری:
نتیجه گیری و به اشتراک گذاری پروژه
اضافی:
یادگیری ماشین با پروژه پیش بینی حمله قلب واقعی

نمایش سرفصل های انگلیسی

Machine Learning Project: Heart Attack Prediction Analysis