آموزش مبانی یادگیری ماشینی کاربردی

در این مجموعه آموزش مبانی یادگیری ماشینی را یاد گرفته و همراه با مدرس دوره در پروژه های واقعی تجربه و تمرین خواهید کرد.

عنوان اصلی : Applied Machine Learning: Foundations

سرفصل ها :

معرفی
استفاده از یادگیری ماشینی
آنچه شما باید بدانید
چه ابزارهایی نیاز دارید
با استفاده از فایل های تمرین
1. مبانی یادگیری ماشین
یادگیری ماشینی چیست؟
این می تواند به شما در حل چه نوع مشکلاتی کمک کند؟
چرا پایتون؟
یادگیری ماشینی در مقابل یادگیری عمیق در مقابل هوش مصنوعی
دموی یادگیری ماشین در زندگی واقعی
چالش های رایج
2. تجزیه و تحلیل داده های اکتشافی و پاکسازی داده ها
چرا باید داده های خود را کاوش و پاک کنیم؟
بررسی ویژگی های پیوسته
ترسیم ویژگی های پیوسته
پاکسازی مداوم داده ها
بررسی ویژگی های طبقه بندی شده
ترسیم ویژگی های طبقه بندی شده
پاکسازی داده های طبقه بندی شده
3. سنجش موفقیت
چرا داده های خود را تقسیم می کنیم؟
تقسیم داده ها برای قطار / اعتبارسنجی / مجموعه تست
اعتبار سنجی متقابل چیست؟
یک چارچوب ارزیابی ایجاد کنید
4. بهینه سازی یک مدل
مبادله تعصب / واریانس
کم تناسب چیست؟
overfitting چیست؟
یافتن موازنه بهینه
تنظیم فراپارامتر
منظم سازی
5. خط لوله انتها به انتها
مروری بر روند
ویژگی های پیوسته را تمیز کنید
ویژگی های طبقه بندی تمیز
تقسیم داده ها به مجموعه قطار / اعتبارسنجی / تست
یک مدل پایه را با استفاده از اعتبارسنجی متقاطع برازش دهید
تنظیم هایپرپارامترها
ارزیابی نتایج در مجموعه اعتبار سنجی
انتخاب مدل نهایی و ارزیابی در مجموعه تست
نتیجه
مراحل بعدی