در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در این دوره آموزشی با مباحث و تکنیک های بسیار جالی در زبان پایتون آشنا می شوید و کدنویسی آنها را یاد می گیرید ، این موارد عبارتند از :
Decision Trees, Random Forests, AdaBoost and XGBoost
عنوان اصلی : Decision Trees, Random Forests, AdaBoost and XGBoost in Python
معرفی :
به دوره خوش آمدید!
مبانی یادگیری ماشین:
مقدمه ای بر یادگیری ماشین
ساخت یک مدل یادگیری ماشینی
راه اندازی دوره سقوط پایتون و پایتون:
نصب پایتون و آناکوندا
باز کردن نوت بوک Jupyter
آشنایی با ژوپیتر
عملگرهای حسابی در پایتون: اصول پایتون
رشته ها در پایتون: اصول پایتون
لیست ها، تاپل ها و فهرست ها: اصول پایتون
کار با کتابخانه Numpy پایتون
کار با Pandas Library of Python
کار با کتابخانه Seaborn پایتون
درختان تصمیم گیری ساده:
مبانی درختان تصمیم
درک درخت رگرسیون
معیارهای توقف برای کنترل رشد درختان
مجموعه داده ها برای دوره
وارد کردن داده در پایتون
درمان ارزش از دست رفته در پایتون
ایجاد متغیر ساختگی در پایتون
تقسیم داده های وابسته- مستقل در پایتون
تقسیم Test-Train در پایتون
ایجاد درخت تصمیم در پایتون
ارزیابی عملکرد مدل در پایتون
ترسیم درخت تصمیم در پایتون
هرس درخت
هرس درخت در پایتون
درخت طبقه بندی ساده:
درخت طبقه بندی
مجموعه داده ها برای مشکل طبقه بندی
درخت طبقه بندی در پایتون: پیش پردازش
درخت طبقه بندی در پایتون: آموزش
مزایا و معایب درختان تصمیم
تکنیک گروه 1 - کیسه زنی:
تکنیک گروه 1 - کیسه زدن
تکنیک گروه 1 - کیف در پایتون
تکنیک گروه 2 - جنگل های تصادفی:
تکنیک گروه 2 - جنگل های تصادفی
تکنیک گروه 2 - جنگل های تصادفی در پایتون
استفاده از Grid Search در پایتون
تکنیک گروه 3 - تقویت:
تقویت
تکنیک Ensemble 3a - تقویت در پایتون
تکنیک Ensemble 3b - AdaBoost در پایتون
تکنیک Ensemble 3c - XGBoost در پایتون
Decision Trees, Random Forests, AdaBoost and XGBoost in Python
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.