بوت کمپ یادگیری ماشینی

در نسخه های ویدیویی راوی کتاب را می خواند در حالی که محتوا ، ارقام ، لیست کد ها ، نمودارها و متن روی صفحه ظاهر می شود. مانند کتاب صوتی که می توانید به عنوان یک فیلم نیز تماشا کنید.
بهترین راهنمای دستی برای شروع سفر یادگیری ماشین خود. ! چالش های با دقت طراحی شده از کتابفروشی یادگیری ماشین و تکنیک های ضروری ML ML را از طریق کاربردهای عملی انجام دهید. ابزارهای پایتون ، از جمله Numpy ، Scikit-Learn و Tensorflow
- ML را برای مجموعه داده های پیچیده با تصاویر اعمال کنید
- استقرار مدل های ML در یک محیط آماده تولید
تنها راه یادگیری استفاده ! در کتابفروشی یادگیری ماشین ، مدلهای یادگیری ماشین مبتنی بر پایتون را برای انواع پروژه های به طور فزاینده چالش برانگیز ایجاد و مستقر خواهید کرد. شما را از اصول یادگیری ماشین به برنامه های پیچیده مانند تجزیه و تحلیل تصویر ، هر پروژه جدید بر اساس آنچه در فصل های قبلی آموخته اید ، بنا می کند. شما می توانید یک نمونه کارها از پروژه های یادگیری ماشین مرتبط با مشاغل ایجاد کنید که مدیران استخدام کننده از دیدن آنها هیجان زده می شوند. یادگیری ماشین همان چیزی است که شما برای تجزیه و تحلیل رفتار مشتری ، پیش بینی روند قیمت ، ارزیابی ریسک و موارد دیگر نیاز دارید. برای تسلط به ML ، به مثال های عالی ، توضیحات روشن و تمرین های زیادی نیاز دارید. این کتاب هر سه را ارائه می دهد! در آن ، شما پروژه های جذاب مانند ایجاد پیش بینی کننده قیمت خودرو با استفاده از رگرسیون خطی و استقرار یک سرویس پیش بینی Churn را کامل خواهید کرد. شما فراتر از الگوریتم ها خواهید بود و تکنیک های مهمی مانند استقرار برنامه های ML در سیستم های بدون سرور و ارائه مدل های با Kubernetes و Kubeflow را کشف خواهید کرد. حفر کنید ، دستان خود را کثیف کنید و از ایجاد مهارت های ML خود لذت ببرید!

عنوان اصلی : Machine Learning Bookcamp Video Edition

سرفصل های دوره :

01 فصل 1 مقدمه ای برای یادگیری ماشین
02 فصل 1 وقتی یادگیری ماشین مفید نیست
03 فصل 1 ارزیابی
04 فصل 2 یادگیری ماشین برای رگرسیون
05 فصل 2 تجزیه و تحلیل داده های اکتشافی
06 فصل 2 تجزیه و تحلیل متغیر هدف
07 فصل 2 یادگیری ماشین برای رگرسیون - دوباره
08 فصل 2 رگرسیون خطی
09 فصل 2 پیش بینی قیمت
10 فصل 2 اعتبار سنجی مدل
11 فصل 2 منظم سازی
12 فصل 2 با استفاده از مدل
13 فصل 3 یادگیری ماشین برای طبقه بندی
14 فصل 3 آماده سازی اولیه داده ها
15 فصل 3 اهمیت ویژگی ، قسمت 1
16 فصل 3 اهمیت ویژگی ، قسمت 2
17 فصل 3 مهندسی ویژگی
18 فصل 3 یادگیری ماشین برای طبقه بندی
19 فصل 3 آموزش رگرسیون لجستیک
20 فصل 3 تفسیر مدل
21 فصل 3 با استفاده از مدل
22 فصل 4 معیارهای ارزیابی برای طبقه بندی
23 فصل 4 جدول سردرگمی
24 فصل 4 دقت و فراخوان
25 فصل 4 منحنی ROC و نمره AUC
26 فصل 4 منحنی ROC
27 فصل 4 تنظیم پارامتر
28 فصل 4 مراحل بعدی
29 فصل 5 استقرار مدل های یادگیری ماشین
30 فصل 5 خدمت مدل
31 فصل 5 مدیریت وابستگی ها
32 فصل 5 داکر
33 فصل 5 استقرار
34 فصل 6 تصمیم گیری درختان و یادگیری گروه
35 فصل 6 تمیز کردن داده ها
36 فصل 6 درختان تصمیم گیری
37 فصل 6 الگوریتم یادگیری درخت تصمیم گیری
38 فصل 6 جنگل تصادفی
39 فصل 6 تقویت شیب
40 فصل 6 تنظیم پارامتر برای XGBoost
41 فصل 6 مراحل بعدی
42 فصل 7 شبکه های عصبی و یادگیری عمیق
43 فصل 7 شبکه های عصبی حلقوی
44 فصل 7 داخلی مدل
45 فصل 7 آموزش مدل
46 فصل 7 آموزش مدل - دوباره
47 فصل 7 ذخیره مدل و بازرسی
48 فصل 7 افزایش داده ها
49 فصل 7 با استفاده از مدل
50 فصل 8 یادگیری عمیق بدون سرور
51 فصل 8 تهیه تصویر Docker
52 فصل 9 مدل های خدمت با Kubernetes و Kubeflow
53 فصل 9 در حال اجرا Tensorflow در محلی
54 فصل 9 استقرار مدل با Kubernetes
55 فصل 9 اعزام به Kubernetes
56 فصل 9 استقرار مدل با Kubeflow
57 فصل 9 ترانسفورماتور Kfserving