پیش بینی حمله قلبی بوسیله Kaggle

Kaggle جامعه یادگیری ماشین و داده های علوم داده است. با پروژه Kaggle Learning Machine Master Kaggle تبدیل شوید

عنوان اصلی : Kaggle Master with Heart Attack Prediction Kaggle Project

سرفصل های دوره :

اولین تماس با Kaggle:
سوالات متداول در مورد Kaggle
ثبت نام در Kaggle و مراحل ورود اعضا
فایل پیوند پروژه - پروژه پیش‌بینی حمله به قلب، یادگیری ماشین
آشنایی با صفحه اصلی Kaggle
بخش رقابت در Kaggle:
مسابقات در Kaggle: درس 1
مسابقات در Kaggle: درس 2
بخش مجموعه داده در Kaggle:
مجموعه داده ها در Kaggle
بخش کد در Kaggle:
بررسی بخش کد در Kaggle: درس 1
بررسی بخش کد در Kaggle درس 2
بررسی بخش کد در Kaggle درس 3
بخش بحث در مورد Kaggle:
بحث در مورد Kaggle چیست؟
سایر گزینه های پر استفاده در Kaggle:
دوره های آموزشی Kaggle
رتبه بندی در بین کاربران در Kaggle
بخش وبلاگ و اسناد
جزئیات Kaggle:
بررسی صفحه کاربر در Kaggle
گنج در کاگل
انتشار نوت بوک در Kaggle
برای رسیدن به موفقیت در Kaggle چه باید کرد؟
مقدمه ای بر یادگیری ماشینی با پروژه پیش بینی حمله واقعی:
اولین قدم به پروژه پیش بینی حمله به قلب
سوالات متداول درباره یادگیری ماشین، علم داده
طراحی نوت بوک مورد استفاده در پروژه
فایل پیوند پروژه - پروژه پیش‌بینی حمله به قلب، یادگیری ماشین
بررسی موضوع پروژه
تشخیص متغیرها در مجموعه داده
اولین سازمان :
کتابخانه های مورد نیاز پایتون
بارگیری مجموعه داده های آماری در علم داده
تحلیل اولیه روی مجموعه داده
آماده سازی برای تجزیه و تحلیل داده های اکتشافی (EDA) در علم داده:
بررسی ارزش های گمشده
بررسی ارزش های منحصر به فرد
جداسازی متغیرها (عددی یا دسته‌ای)
بررسی آمار متغیرها
تحلیل داده های اکتشافی (EDA) - تجزیه و تحلیل تک متغیره:
متغیرهای عددی (تحلیل با Distplot): درس 1
متغیرهای عددی (تجزیه و تحلیل با Distplot): درس 2
متغیرهای طبقه بندی شده (تحلیل با نمودار دایره ای): درس 1
متغیرهای طبقه بندی شده (تحلیل با نمودار دایره ای): درس 2
بررسی داده های از دست رفته بر اساس نتایج تجزیه و تحلیل
تحلیل داده های اکتشافی (EDA) - تجزیه و تحلیل دو متغیره:
متغیرهای عددی - متغیر هدف (تحلیل با FacetGrid): درس 1
متغیرهای عددی - متغیر هدف (تحلیل با FacetGrid): درس 2
متغیرهای طبقه بندی - متغیر هدف (تحلیل با نمودار شمارش): درس 1
متغیرهای طبقه بندی - متغیر هدف (تحلیل با نمودار شمارش): درس 2
بررسی متغیرهای عددی در بین خود (تحلیل با نمودار زوجی) درس 1
بررسی متغیرهای عددی در بین خود (تحلیل با نمودار زوجی) درس 2
مقیاس‌سازی ویژگی با روش مقیاس‌کننده قوی
ایجاد یک DataFrame جدید با تابع Melt().
متغیرهای عددی - دسته بندی (تحلیل با نمودار ازدحام): درس 1
متغیرهای عددی - دسته بندی (تحلیل با نمودار ازدحام): درس 2
متغیرهای عددی - دسته بندی (تحلیل با نمودار جعبه): درس 1
متغیرهای عددی - دسته بندی (تحلیل با نمودار جعبه): درس 2
روابط بین متغیرها (تحلیل با Heatmap): درس 1
روابط بین متغیرها (تحلیل با Heatmap): درس 2
آماده سازی برای مدل سازی در یادگیری ماشینی:
انداختن ستون ها با همبستگی کم
تجسم پرت
برخورد با موارد پرت - متغیر Trtbps: درس 1
برخورد با موارد دور از دسترس - متغیر Trtbps: درس 2
برخورد با موارد پرت - متغیر Thalach
برخورد با Outliers - متغیر Oldpeak
تعیین توزیع متغیرهای عددی
عملیات تبدیل روی داده های نامتقارن
استفاده از یک روش رمزگذاری داغ برای متغیرهای طبقه بندی شده
مقیاس‌سازی ویژگی با روش مقیاس‌کننده قوی برای الگوریتم‌های یادگیری ماشین
تفکیک داده ها به مجموعه تست و آموزش
مدل سازی برای یادگیری ماشینی:
رگرسیون لجستیک
اعتبار سنجی متقابل
منحنی راک و ناحیه زیر منحنی (AUC)
بهینه سازی هایپرپارامتر (با GridSearchCV)
الگوریتم درخت تصمیم
الگوریتم ماشین برداری پشتیبانی
الگوریتم جنگل تصادفی
بهینه سازی هایپرپارامتر (با GridSearchCV)
نتیجه گیری:
نتیجه گیری و به اشتراک گذاری پروژه
اضافی:
Kaggle Masterclass with Hearth Attack Prediction Project