آموزش کدنویسی Classification and Regression در هوش مصنوعی و ML بوسیله زبان پایتون

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با یادگیری ماشینی در زبان پایتون یاد می گیرید.

عنوان اصلی : Pearson Evaluating Classification and Regression Systems Part 2 Sneak Peek

سرفصل ها :

00001 1.1 Overfitting Underfitting I - AOSynthetic Data
00002 1.2 Overfitting Underfitting II - AOVarying Model Complexity
00003 1.3 خطاها و هزینه ها
00004 1.4 اعتبار سنجی متقابل
00005 1.5 اعتبار متقاطع ترک یک خروجی
00006 1.6 طبقه بندی
00007 1.7 تکرار تست قطار
00008 1.8 دریافت گرافیک - منحنی های یادگیری و پیچیدگی AOL
00009 1.9 گرافیک متقاطع اعتبار
00010 2.1 طبقه‌بندی‌کننده‌های پایه و معیارهای طبقه‌بندی
00011 2.2 ماتریس سردرگمی
00012 2.3 متریک از ماتریس سردرگمی باینری
00013 2.4 درک منحنی ROC و AUC
00014 2.5 مقایسه طبقه بندی کننده ها با منحنی های ROC و PR
00015 3.1 میانگین های متریک چند کلاسه
00016 3.2 AUC چند کلاسه - یک در مقابل استراحت
00017 3.3 AUC چند کلاسه - روش Hand and Till
00018 3.4 منحنی های پاسخ تجمعی و لیفت
00019 3.5 مطالعه موردی - مقایسه طبقه بندی کننده
00020 4.1 رگرسیورهای پایه
00021 4.2 معیارهای رگرسیون - معیارهای سفارشی و RMSE
00022 4.3 درک متریک رگرسیون پیش فرض R 2
00023 4.4 خطاها و نمودارهای باقیمانده
00024 4.5 خط لوله سریع و استانداردسازی
00025 4.6 مطالعه موردی - مقایسه رگرسیون