آموزش ساخت مدل های Machine Learning

با مشاهده این دوره آموزشی قدم به قدم یاد می گیرید که مدل های یادگیری ماشینی چه هستند و سپس ساخت آن ها را یاد گرفته و در پروژه های واقعی تجربه و تمرین خواهید کرد.

عنوان اصلی : Creating Machine Learning Models

سرفصل ها :

بررسی اجمالی دوره
نمای کلی ماژول
پیش نیازها و رئوس مطالب دوره
یادگیری مبتنی بر قانون در مقابل یادگیری مبتنی بر ML
ML سنتی در مقابل ML نمایندگی
گردش کار یادگیری ماشین
انتخاب مدل مناسب بر اساس داده ها
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
Transfer Learning، Cold Start ML و Warm Start ML
چارچوب های یادگیری ماشینی محبوب
نسخه ی نمایشی: شروع کار با scikit-learn
خلاصه ماژول
نمای کلی ماژول
ساخت و ارزیابی مدل های رگرسیون
نسخه ی نمایشی: رگرسیون خطی با استفاده از ویژگی های عددی
نسخه ی نمایشی: کاوش داده های رگرسیون
نسخه ی نمایشی: پیش پردازش داده های عددی و دسته بندی و برازش یک مدل رگرسیون
انتخاب الگوریتم های رگرسیون
مدل‌های رگرسیون منظم: کمند، ریج و شبکه الاستیک
نزول گرادیان تصادفی
نسخه ی نمایشی: انواع مختلف رگرسیون
خلاصه ماژول
نمای کلی ماژول
انواع طبقه بندی کننده ها
درک شهودی رگرسیون لجستیک
نسخه ی نمایشی: ساخت و آموزش یک مدل طبقه بندی باینری
درک بردار پشتیبان و طبقه بندی نزدیکترین همسایگان
درک درخت تصمیم و طبقه بندی ساده بیز
نسخه ی نمایشی: مدل های طبقه بندی ساختمان با استفاده از تکنیک های متعدد
نسخه ی نمایشی: استفاده از شروع گرم با یک دسته بندی گروه
نسخه ی نمایشی: انجام طبقه بندی چند کلاسه بر روی داده های متنی
خلاصه ماژول
نمای کلی ماژول
خوشه بندی به عنوان یک تکنیک یادگیری بدون نظارت
انتخاب الگوریتم های خوشه بندی
دسته بندی الگوریتم های خوشه بندی
K-به معنای خوشه بندی است
خوشه بندی سلسله مراتبی
نسخه ی نمایشی: انجام K-means خوشه بندی روی داده های بدون برچسب
نسخه ی نمایشی: خوشه بندی با استفاده از داده های برچسب دار
نسخه ی نمایشی: خوشه بندی تجمعی
خلاصه و مطالعه بیشتر