آموزش آماده کردن داده ها برای مدل سازی با scikit-learn

در این دوره آموزشی یاد می گیرید که چطور داده ها را در scikit-learn مدل کنید تا با آن ها یادگیری ماشینی یا AI انجام دهید. همچنین به طور کامل فرآیند آماده کردن داده ها برای مدل سازی را نیز فرا می گیرید.

عنوان اصلی : Preparing Data for Modeling with scikit-learn

سرفصل ها :

بررسی اجمالی دوره
نمای کلی ماژول
پیش نیازها و رئوس مطالب دوره
مقیاس بندی و استانداردسازی
عادی سازی
تبدیل داده ها به توزیع های گاوسی
محاسبه و تجسم آمار خلاصه
استفاده از مقیاس‌کننده استاندارد برای استاندارد کردن ویژگی‌های عددی
استفاده از مقیاس‌کننده قوی برای مقیاس‌بندی ویژگی‌های عددی
نرمال سازی و شباهت کسینوس
تبدیل داده های توزیع شده دووجهی به توزیع عادی با استفاده از یک ترانسفورماتور کوانتیل
کاهش ابعاد با استفاده از تحلیل عاملی
خلاصه ماژول
نمای کلی ماژول
نکات پرت و جدید
شناسایی و مقابله با داده‌های پرت
عامل پرت محلی
پاکت بیضوی
جنگل انزوا
تشخیص نقاط پرت با استفاده از ضریب دورافتاده محلی
تشخیص بیرونی با استفاده از جنگل جداسازی
تشخیص بیرونی با استفاده از پاکت بیضوی
تشخیص تازگی با استفاده از فاکتور بیرونی محلی
با استفاده از پیش بینی امتیاز نمونه ها و تابع تصمیم
تشخیص بیرونی با استفاده از مجموعه داده های مغز سر
خلاصه ماژول
نمای کلی ماژول
نمایش داده های متنی به شکل عددی
مدل های کیسه ای از کلمات و کیسه ای از n گرم
بردار کردن متن با استفاده از مدل Bag-of-words
بردار کردن متن با استفاده از مدل Bag-of-n-gram
بردار کردن متن با استفاده از امتیازات Tf-Idf
هش برای کاهش ابعاد
کاهش ابعاد با استفاده از Hashing Vectorizer
انجام استخراج ویژگی در دیکشنری پایتون
خلاصه ماژول
نمای کلی ماژول
نمایش تصاویر به عنوان ماتریس
استخراج ویژگی از تصاویر
استخراج وصله ها از داده های تصویر
استفاده از آموزش دیکشنری برای حذف نویز و بازسازی تصاویر
خوشه‌بندی داده‌های تصویر با استفاده از نمودار اتصال پیکسل
خوشه بندی تصاویر با استفاده از گراف اتصال گرادیان
خلاصه ماژول
نمای کلی ماژول
مجموعه داده های داخلی، مصنوعی و خارجی در Scikit Learn
کاوش در مجموعه داده های داخلی
ایجاد مجموعه داده های مصنوعی برای رگرسیون، طبقه بندی، خوشه بندی و کاهش ابعاد
تولید داده های منیفولد
خلاصه ماژول
نمای کلی ماژول
از طبقه‌بندی‌کننده‌های برداری و ترفند هسته پشتیبانی کنید
تقریب های هسته
آماده سازی داده های تصویری
مقایسه طبقه بندی کننده های آموزش دیده با استفاده از ویژگی های ضمنی و واضح
مقایسه دقت و زمان اجرا برای اندازه های مختلف نمونه
خلاصه و مطالعه بیشتر