آموزش انجام خوشه بندی و دسته بندی در یادگیری ماشینی با R

در این دوره آموزشی یاد می گیرید که چطور دسته بندی ( Classification ) و خوشه بندی ( Clustering ) را در زمان انجام پروژه های Machine Learning بوسیله زبان R انجام دهید. 

عنوان اصلی : Clustering and Classification with Machine Learning in R

سرفصل ها :

معرفی دوره:
به خوشه بندی و طبقه بندی با یادگیری ماشین در R خوش آمدید
نصب R and R Studio
اطلاعات منابع مختلف را در R بخوانید:
در داده های CSV و Excel بخوانید
در پوشه زیپ نشده بخوانید
در CSV آنلاین بخوانید
در Googlesheets بخوانید
در داده ها از جداول HTML آنلاین - قسمت 1 بخوانید
در داده ها از جداول HTML آنلاین - قسمت 2 بخوانید
خواندن داده ها از یک پایگاه داده
پیش پردازش و تجسم داده ها:
مقادیر از دست رفته را حذف کنید
پاکسازی اطلاعات بیشتر
مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 1
مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 2
تجزیه و تحلیل داده های اکتشافی (EDA): تجسم های اساسی با R
تجزیه و تحلیل داده های اکتشافی بیشتر با xda
کاوش و تجسم داده با dplyr و ggplot2
ارتباط بین متغیرهای کمی - نظریه
تست همبستگی
رابطه بین متغیرهای اسمی را ارزیابی کنید
Cramer's V برای بررسی قدرت ارتباط بین متغیر اسمی
یادگیری ماشین برای علم داده:
تفاوت یادگیری ماشینی با تجزیه و تحلیل داده های آماری چیست؟
یادگیری ماشینی (ML) درباره چیست؟ برخی از نکات نظری
یادگیری بدون نظارت در R:
K-Means Clustering
راه های دیگر انتخاب اعداد خوشه ای
فازی K-Means Clustering
K وزن دار به معنی
پارتیشن بندی در اطراف ملوئیدها (PAM)
خوشه بندی سلسله مراتبی در R
حداکثر انتظارات (EM) در R
خوشه بندی DBSCAN در R
مجموعه داده های مختلط را خوشه بندی کنید
آیا حتی باید خوشه بندی کنیم؟
ارزیابی عملکرد خوشه بندی
کدام الگوریتم خوشه بندی را انتخاب کنیم؟
ویژگی/کاهش ابعاد:
تئوری کاهش ابعاد
تجزیه و تحلیل اجزای اصلی (PCA)
اطلاعات بیشتر در مورد PCA
مقیاس بندی چند بعدی
تجزیه ارزش منفرد (SVD)
انتخاب ویژگی برای انتخاب مرتبط ترین پیش بینی کننده ها:
حذف متغیرهای پیش بینی کننده بسیار همبسته
انتخاب متغیر با استفاده از رگرسیون LASSO
انتخاب متغیر با FSelector
تجزیه و تحلیل Boruta برای انتخاب ویژگی
نظریه یادگیری نظارت شده:
برخی از مفاهیم اساسی یادگیری تحت نظارت
پیش پردازش برای یادگیری تحت نظارت
یادگیری تحت نظارت: طبقه بندی:
GLM چیست؟
مدل های رگرسیون لجستیک به عنوان طبقه بندی کننده های باینری
طبقه بندی کننده باینری با PCA
چند نکته در مورد ارزیابی دقت
معیارهای دقت طبقه بندی باینری را بدست آورید
اطلاعات بیشتر در مورد اندازه گیری دقت باینری
تحلیل تشخیصی خطی
مشکل طبقه بندی چند کلاسه ما
درختان طبقه بندی
بیشتر در مورد تجسم درخت طبقه بندی
طبقه بندی با بسته حزب
درختان تصمیم
طبقه بندی جنگل تصادفی (RF).
اهمیت متغیر فردی را برای جنگل های تصادفی بررسی کنید
طبقه بندی GBM
ماشین‌های بردار پشتیبانی (SVM) برای طبقه‌بندی
SVM بیشتر برای طبقه بندی
اهمیت متغیر در مدلسازی SVM با rminer
سخنرانی های اضافی:
فازی C-Means Clustering