در حال حاضر محصولی در سبد خرید شما وجود ندارد.
بسیاری اوقات نوشتن اولین پروژه Data Science کاری دشوار است. در این دوره آموزشی قدم به قدم یاد می گیرید که چطور اولین پروزه هوشمند خود را بوسیله scikit-learn طراحی و اجرا کنید.
عنوان اصلی : Building Your First scikit-learn Solution
بررسی اجمالی دوره
نمای کلی ماژول
پیش نیازها و رئوس مطالب دوره
معرفی یادگیری ماشینی
یادگیری از داده ها: آموزش و پیش بینی
مدل های سنتی و نمایندگی ML
طاقچه یادگیری scikit در ML
کاوش در کتابخانههای دانشآموزی
یادگیری تحت نظارت و بدون نظارت
نصب کتابخانه های اسکیت-آموزش
خلاصه
نمای کلی ماژول
گردش کار یادگیری ماشین
استفاده از scikit-learn در گردش کار یادگیری ماشین
انتخاب برآوردگر مناسب: طبقه بندی
انتخاب برآوردگر مناسب: خوشه بندی
انتخاب برآوردگر مناسب: رگرسیون و کاهش ابعاد
کاوش مجموعه داده های داخلی در scikit-learn
کاوش در گروه های خبری و مجموعه داده های رقمی بوستون
مجموعه داده های مسکن کالیفرنیا: بررسی ویژگی های عددی و دسته بندی
مجموعه داده مسکن کالیفرنیا: بررسی روابط در داده ها
خلاصه
نمای کلی ماژول
درک رگرسیون خطی
آماده سازی داده ها برای یادگیری ماشینی
آموزش و پیش بینی با استفاده از رگرسیون خطی
درک رگرسیون لجستیک
آموزش و پیش بینی با استفاده از طبقه بندی کننده رگرسیون لجستیک
خلاصه و مطالعه بیشتر
Building Your First scikit-learn Solution
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.
تجزیه و تحلیل پیش بینی شده با استفاده از Apache Spark Mllib در آژور Databricks
Tuning Kafka
Data Labeling for Machine Learning
Applying the Mathematical MASS Model with R
آموزش معماری راهکارهای بیگ دیتا با استفاده از Google Dataproc
آموزش انتقال استایل ها بوسیله PyTorch
آموزش ارائه ، پردازش و آماده سازی داده ها
پایه های آمار و احتمال برای یادگیری ماشینی
اجرای الگوریتم های گراف بوسیله GraphFrames بر روی Databricks
آموزش استفاده از منابع آنلاین برای پردازش داده ها با Python