در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در این دوره آموزشی با scikit-learn آشنا شده و استفاده از همه امکانات و ابزارهای آن را در پروژه های واقعی تجربه و تمرین خواهید کرد.
عنوان اصلی : scikit-learn Recipes
پیش پردازش داده با scikit-learn:
بررسی اجمالی دوره
در حال بارگیری داده ها
ساخت ویژگی های باینری با ایجاد آستانه
وارد کردن مقادیر گمشده با استفاده از sklearn Impute
ساخت مدل خطی با نقاط پرت
قرار دادن همه اینها با خطوط لوله sklearn
کاهش ابعاد:
تجزیه و تحلیل اجزای اصلی
t-SNE
تحلیل عاملی
هسته PCA
مدل های خطی:
رگرسیون خطی بدون Sicit-Learn
رگرسیون خطی با scikit-learn
ارزیابی مدل رگرسیون خطی
رگرسیون لجستیک
ارزیابی مدل رگرسیون لجستیک
ماشینهای بردار پشتیبانی:
SVM خطی
بهینه سازی SVM خطی
طبقه بندی چند طبقه با استفاده از داده های شکایات مصرف کننده
درختان تصمیم گیری و مجموعه ها:
درختان تصمیم
ارزیابی مدل درخت تصمیم و تنظیم دقیق
ساخت یک رگرسیون تصادفی جنگل
k-نزدیکترین مدل همسایه
افزایش گرادیان
خوشه بندی با scikit-learn:
خوشه بندی داده ها با k-means
ارزیابی عملکرد مدل
تنظیم دقیق مدل k-means
تشخیص پرت با استفاده از k-means خوشه بندی
مدلهای مخلوط گاوسی برای خوشهبندی متغیر
اعتبار سنجی متقابل :
مقدمه ای بر انتخاب ویژگی
دستی در انتخاب ویژگی
k-fold Cross-Validation
ShuffleSplit و Time Series Cross-Validation
هنجارهای L1 و L2
جستجوی شبکه
شبکه های عصبی :
مقدمه ای بر شبکه های عصبی
ساخت طبقه بندی پرسپترون
پرسپترون چندلایه با Sicit-Learn
پشتهسازی
scikit-learn Recipes
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.