نوشتن مدل های یادگیری ماشینی از ابتدا

راهنمای کامل برای یادگیری جزئیات الگوریتم های یادگیری ماشین با اجرای آنها از ابتدا در پایتون. شما کشف کنید که چگونه داده ها را بارگیری، مدل ها ارزیابی کنید و مجموعه ای از الگوریتم های یادگیری ماشین را با استفاده از آموزش گام به گام انجام دهید.
الگوریتم های یادگیری ماشین، ریاضیات و تئوری زیادی را تحت پوشش قرار می دهند، اما شما انجام می دهید نیازی به دانستن اینکه چرا الگوریتم ها قادر به اجرای آنها هستند و آنها را برای رسیدن به نتایج واقعی و ارزشمند اعمال می کنند.
در این دوره، شما یاد خواهید گرفت که چگونه از فایل های CSV بارگیری کنید و داده ها را برای مدل سازی آماده کنید. نحوه انتخاب معیارهای ارزیابی الگوریتم و تکنیک های resampling برای مهار تست؛ نحوه توسعه انتظارات پایه ای از عملکرد برای یک مشکل خاص؛ نحوه پیاده سازی و اعمال مجموعه ای از الگوریتم های یادگیری ماشین خطی؛ نحوه اجرای و اعمال مجموعه ای از الگوریتم های یادگیری پیشرفته ماشین غیر خطی؛ نحوه پیاده سازی و اعمال الگوریتم های یادگیری گروهی برای بهبود عملکرد.
این دوره یک راهنمای ارزشمند برای درک مدل های یادگیری ماشین آلات دنیای واقعی خواهد بود و به شما کمک می کند تا کد را در پشت ریاضی درک کنید.
در پایان این البته، شما بینش به مدل های یادگیری ماشین های واقعی در دنیای واقعی خواهید رسید و یاد بگیرید که چگونه عملکردهای ابزار مورد استفاده در یادگیری ماشین را ثبت کنید.
بسته نرم افزاری کامل کد برای این دوره در https://github.com موجود است / packtpublishing / machine-machine-machine-models-models-of-scratch

عنوان اصلی : Authoring Machine Learning Models from Scratch

سرفصل های دوره :

مقدمه:
معرفی
این دوره چیست؟ دقیقا؟
نتایج دوره
ساختار دوره
الگوریتم در برنامه نویسی چیست؟
آماده سازی داده ها:
بارگیری داده ها از یک فایل CSV
مقیاس داده های شما: عادی سازی
مقیاس داده های شما: استاندارد سازی
روش ارزیابی الگوریتم
Train-test split
K-Fold Cross-Validation تعریف شده است
K-Fold Cross-Validation
انتخاب روش resampling
معیارهای ارزیابی
دقت طبقه بندی
ماتریس سردرگمی
متریک رگرسيون
مدل های پایه
الگوریتم پیش بینی تصادفی
الگوریتم قانون صفر
الگوریتم های خطی:
الگوریتم تست مهار - Train-test-Split
الگوریتم آزمون مهار - K برابر
رگرسیون خطی ساده
رگرسیون خطی ساده مورد مطالعه: قسمت 1
رگرسیون خطی ساده مطالعه موردی: قسمت 2
رگرسیون خطی چند متغیره
نسخه ی نمایشی: مطالعه موردی رگرسیون خطی چند متغیره
نسخه ی نمایشی: رگرسیون خطی در مجموعه داده های کیفیت شراب
رگرسیون لجستیک تعریف شده است
نسخه ی نمایشی: رگرسیون لجستیک: پیش بینی کنید
نسخه ی نمایشی: رگرسيون لجستيک: برآورد ضريب
نسخه ی نمایشی: رگرسيون لجستيک: ديابتي ديابت
Perceptron
نسخه ی نمایشی: Perceptron: پیش بینی کنید
نسخه ی نمایشی: Perceptron: وزن آموزشی
نسخه ی نمایشی: Perceptron: مجموعه داده های سونار
رگرسیون غیر خطی:
درختان طبقه بندی و رگرسیون
نسخه ی نمایشی: سبد خرید: ایجاد شاخص جینی
نسخه ی نمایشی: سبد خرید: ایجاد تقسیم
نسخه ی نمایشی: سبد خرید: ارزیابی تقسیم ها
سبد خرید: ساخت درخت
نسخه ی نمایشی: سبد خرید: تقسیم بازگشتی
نسخه ی نمایشی: سبد خرید: مونتاژ درخت
نسخه ی نمایشی: سبد خرید: سبد خرید به مجموعه داده های اسکناس
Bayes Naïve
نسخه ی نمایشی: Bayes Naïve: جدا از کلاس
نسخه ی نمایشی: Bayes Naïve: مجموعه داده ها را خلاصه کنید
نسخه ی نمایشی: Bayes Naïve: خلاصه داده ها توسط کلاس