مدل های تحول داده و ML با پایتون

هیچ راهی بهتر برای گذراندن وقت آزاد خود وجود ندارد تا یادگیری نحوه ساخت پروژه های عملی

عنوان اصلی : Data Transformation and ML Models with Python

سرفصل های دوره :

بررسی اجمالی دوره 00b:
00 بررسی اجمالی دوره
00 Python مقدمه:
00b پایتون چیست
01. معرفی به پایتون
01 (پیش نیاز) مقدمه ای برای یادگیری ماشین:
00a یادگیری ماشین چیست
00b انواع مدل های یادگیری ماشین
00c آنچه تحت نظارت است
01 چگونه یک عامل یادگیری ماشین یاد می گیرد
02 یادگیری استقرایی چیست
03 عملکرد یک الگوریتم یادگیری ماشین
05 ابزارهای قدرتمند با کتابخانه های یادگیری ماشین
02 - 00 پایتون مقدمه:
00. مقدمه
02 - 01 کد پایتون در وب:
02.01 Google Colab چیست
02.02 اگر خطا کنم
02.03 چگونه می توانم جلسه را خاتمه دهم
02 - 02 اصول زبان پایتون:
02. متغیرها
03. نمونه های تبدیل را تایپ کنید
04. عملگر
05. نمونه های اپراتورها
06. مجموعه ها
07. لیست
08. نمونه های لیست چند بعدی
09. نمونه های Tuples
10. نمونه های فرهنگ لغت
11. نمونه هایی
12. شرط
13. اگر مثال بیانیه
14. اگر نمونه های بیانیه
15. حلقه
16. در حالی که نمونه ها
17. برای نمونه های حلقه
18. کارکرد
19. مثالها
20. پارامترها و نمونه های بازگشت مقادیر
21. کلاس ها و اشیاء
22. مثال
24. نمونه های وراثت
25. مثال اعضای استاتیک
26. خلاصه و OUTRO
03 بار ، پاک و رمزگذاری داده ها:
01 یک مجموعه داده عمومی را بارگیری و تمیز کنید
01b رمزگذاری یک داغ چیست
04 مهندسی داده برای یادگیری ماشین:
04 مقیاس و رمزگذاری داده ها با Scikit-Learn
04.04 داده های مقیاس گذاری چیست
05 ساخت ، آموزش و آزمایش یک مدل یادگیری ماشین
05 ساخت مدل های رگرسیون و گسسته کننده:
01 مدل های تصمیم گیری و رگرسیون خطی را مقایسه کنید
01c گسسته کننده Kbins چیست
02 داده سطل با kbins گسسته کننده
03 مقایسه مدل های رگرسیون binned
04 یک مدل رگرسیون خطی را بر روی داده های انباشته بسازید
05a به معنای خوشه بندی است
06 تبدیل داده ها و انتخاب ویژگی برای رگرسیون ریج:
01 تحول غیرخطی یک متغیره را بسازید
01 توزیع احتمال گاوسی چیست-
02 ساخت داده های x y با توزیع پواسون در numpy
02c تحول داده های لگاریتمی چیست
03 یک مدل رگرسیون ریج بسازید