یادگیری ماشین با پایتون: درختان تصمیم گیری

درختان تصمیم گیری یکی از متداول ترین رویکردهای مورد استفاده در یادگیری ماشین نظارت شده است. ایجاد یک درخت تصمیم گیری به شما امکان می دهد تا با تقلید از تصمیم گیری در صورتی که به عنوان یک رفتار طبیعی انسان اتفاق می افتد ، روابط پیچیده ای بین متغیرها را مدل کنید. در این دوره ، مربی فردریک Nwanganga به شما مروری بر نحوه جمع آوری ، کاوش و تغییر داده های خود در آماده سازی مدل های درخت تصمیم گیری در پایتون می دهد. آنها ناخالصی را در یک پارتیشن تعیین می کنند. نکاتی را از فردریک در مورد ساختمان ، تجسم ، هرس و استفاده از یک درخت تصمیم در پایتون از جمله درختان طبقه بندی و درختان رگرسیون دریافت کنید. در پایان این دوره ، شما آماده خواهید بود تا مدل های خود را شروع کرده و آنها را در حوزه های مختلف اعمال کنید.

عنوان اصلی : Machine Learning with Python: Decision Trees

سرفصل های دوره :

مقدمه:
تصمیم گیری با پایتون
آنچه باید بدانید
ابزارهای مورد نیاز شما
با استفاده از پرونده های ورزش
1. درختان تصمیم:
درخت تصمیم گیری چیست؟
چگونه یک درخت طبقه بندی ساخته می شود؟
چگونه درختان طبقه بندی ناخالصی را اندازه گیری می کنند؟
چگونه یک درخت رگرسیون ساخته می شود؟
نحوه هرس یک درخت تصمیم گیری
چرا و چه موقع از یک درخت تصمیم استفاده می کنیم
2. کار با درختان طبقه بندی:
نحوه ساخت یک درخت طبقه بندی در پایتون
نحوه تجسم یک درخت طبقه بندی در پایتون
نحوه هرس یک درخت طبقه بندی در پایتون
3. کار با درختان رگرسیون:
نحوه ساخت درخت رگرسیون در پایتون
نحوه تجسم یک درخت رگرسیون در پایتون
نحوه هرس یک درخت رگرسیون در پایتون
نتیجه گیری:
مراحل بعدی با درختان تصمیم گیری