یادگیری ماشینی در عمل

یادگیری ماشین آلات واقعی یک راهنمای عملی است که برای آموزش توسعه دهندگان کارگری هنرهای اعدام پروژه ML طراحی شده است. این به شما مفاهیم و تکنیک هایی را که شما نیاز دارید باید یک تمرین کننده یادگیری ماشین موفق باشید بدون بیش از حد شما بر روی نظریه انتزاعی و ریاضیات پیچیده، به شما آموزش دهید. با کار کردن از طریق نمونه های مربوط به بلافاصله در پایتون، مهارت های کسب و مدل سازی، طبقه بندی و رگرسیون را ایجاد می کنید. شما همچنین می توانید مهم ترین وظایف مانند اعتبار سنجی مدل، بهینه سازی، مقیاس پذیری و جریان زمان واقعی را بررسی کنید. هنگامی که شما انجام می شود، شما آماده خواهید بود تا با موفقیت ساخت، راه اندازی و حفظ سیستم های قدرتمند ML خود را.
سیستم های یادگیری ماشین به شما کمک می کند بینش و الگوهای ارزشمند را در داده ها پیدا کنید، که هرگز با سنتی نمی توانید پیدا کنید مواد و روش ها. در دنیای واقعی، تکنیک های ML به شما راهی برای شناسایی روند، رفتار پیش بینی شده و توصیه های مبتنی بر واقعیت می دهد. این یک میدان گرم و رو به رشد است، و توسعه دهندگان ML تا به سرعت تقاضا هستند.

عنوان اصلی : Manning - Real-World Machine Learning

سرفصل های دوره :

00001 فصل 1. یادگیری ماشین چیست؟
00002 فصل 1. با استفاده از داده ها برای تصمیم گیری
00003 فصل 1. روش یادگیری ماشین
00004 فصل 1. پنج مزیت به یادگیری ماشین
00005 فصل 1. دنبال Workflow ML - از داده ها به استقرار
00006 فصل 1. افزایش عملکرد مدل با تکنیک های پیشرفته
00007 فصل 2. اطلاعات دنیای واقعی
00008 فصل 2. کدام ویژگی ها باید شامل شود
00009 فصل 2. چقدر اطلاعات آموزشی مورد نیاز است
00010 فصل 2. پیش پردازش داده ها برای مدل سازی
00011 فصل 2. مهندسی ویژگی های ساده
00012 فصل 2. با استفاده از تجسم داده ها
00013 فصل 2. قطعه تراکم
00014 فصل 3. مدل سازی و پیش بینی
00015 فصل 3. پیدا کردن رابطه بین ورودی و هدف
00016 فصل 3. طبقه بندی - پیش بینی به سطل
00017 فصل 3. طبقه بندی داده های غیر خطی پیچیده
00018 فصل 3. رگرسیون - پیش بینی مقادیر عددی
00019 فصل 3. خلاصه
00020 فصل 4. ارزیابی مدل و بهینه سازی
00021 فصل 4. راه حل - اعتبار سنجی متقابل
00022 فصل 4. ارزیابی مدل های طبقه بندی
00023 فصل 4. دقت تجارت و منحنی ROC
00024 فصل 4. ارزیابی مدل های رگرسیون
00025 فصل 4. بهینه سازی مدل از طریق پارامتر تنظیم
00026 فصل 4. خلاصه
00027 فصل 5. مهندسی ویژگی اساسی
00028 فصل 5. فرآیندهای اصلی مهندسی
00029 فصل 5. انتخاب ویژگی
00030 فصل 5. انتخاب جلو و حذف عقب مانده
00031 فصل 5. خلاصه
00032 فصل 6. مثال - داده های تاکسی نیویورک
00033 فصل 6. تعریف مشکل و تهیه داده ها
00034 فصل 6. مدل سازی
00035 فصل 6. خلاصه
00036 فصل 7. مهندسی پیشرفته
00037 فصل 7. مدل سازی موضوع
00038 فصل 7. گسترش محتوا
00039 فصل 7. ویژگی های تصویر
00040 فصل 7. استخراج اشیاء و اشکال
00041 فصل 7. ویژگی های سری زمانی
00042 فصل 7. ویژگی های سری زمانی کلاسیک
00043 فصل 7. خلاصه
00044 فصل 8. Advanced NLP مثال - نظر سنجی فیلم
00045 فصل 8. پس چه مورد استفاده است
00046 فصل 8. استخراج ویژگی های اصلی NLP و ساخت مدل اولیه
00047 فصل 8. نرمال سازی ویژگی های کیسه ای از کلمات با الگوریتم TF-IDF
00048 فصل 8. الگوریتم های پیشرفته و ملاحظات مدل سازی مدل
00049 فصل 9. پوسته پوسته شدن ماشین آلات یادگیری
00050 فصل 9. اطلاعات آموزش زیربنایی به جای پوسته پوسته شدن
00051 فصل 9. مقیاس خط لوله مدل سازی ML
00052 فصل 9. پیش بینی های مقیاس
00053 فصل 9. خلاصه
00054 فصل 10. به عنوان مثال - تبلیغات صفحه نمایش دیجیتال
00055 فصل 10. ویژگی مهندسی و مدل سازی استراتژی
00056 فصل 10. تجزیه ارزش انحصاری
00057 فصل 10. مدل سازی
00058 فصل 10. خلاصه