دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش کدنویسی Classification and Regression در هوش مصنوعی و ML بوسیله زبان پایتون

دانلود OReilly Pearson Evaluating Classification and Regression Systems Part 2 Sneak Peek

14,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با یادگیری ماشینی در زبان پایتون یاد می گیرید.

عنوان اصلی : Pearson Evaluating Classification and Regression Systems Part 2 Sneak Peek

این مجموعه آموزش ویدیویی محصول موسسه آموزشی OReilly است که بر روی 2 حلقه دیسک ارائه شده و به مدت زمان 3 ساعت و 46 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :

00001 1.1 overfitting underfitting I - داده های aosynthetic
00002 1.2 Operfitting Underfitting II - پیچیدگی مدل Aovarying
00003 1.3 خطاها و هزینه ها
00004 1.4 اعتبار سنجی متقابل
00005 1.5 یک اعتبار متقابل را ترک کنید
00006 1.6 طبقه بندی
00007 1.7 تکرار تک تست تست
00008 1.8 گرفتن گرافیک - منحنی های Aolearning و پیچیدگی
00009 1.9 اعتبار سنجی گرافیکی
00010 2.1 طبقه بندی های پایه و معیارهای طبقه بندی
00011 2.2 ماتریس سردرگمی
00012 2.3 معیارهای از ماتریس سردرگمی باینری
00013 2.4 درک منحنی ROC و AUC
00014 2.5 مقایسه طبقه بندی ها با منحنی های ROC و PR
00015 3.1 میانگین متریک چند طبقه
00016 3.2 AUC چند طبقه - یک در مقابل استراحت
00017 3.3 AUC چند طبقه - دست و تا روش
00018 3.4 پاسخ تجمعی و منحنی های بالابر
00019 3.5 مورد مطالعه - مقایسه طبقه بندی
00020 4.1 رگرسیون های پایه
00021 4.2 معیارهای رگرسیون - معیارهای سفارشی و RMSE
00022 4.3 درک رگرسیون پیش فرض متریک R 2
00023 4.4 خطاها و توطئه های باقی مانده
00024 4.5 خط لوله سریع و استاندارد سازی
00025 4.6 مطالعه موردی - مقایسه رگرسیون

00001 1.1 Overfitting Underfitting I - AOSynthetic Data
00002 1.2 Overfitting Underfitting II - AOVarying Model Complexity
00003 1.3 Errors and Costs
00004 1.4 Cross-Validation
00005 1.5 Leave-One-Out Cross-Validation
00006 1.6 Stratification
00007 1.7 Repeated Train-Test Splits
00008 1.8 Getting Graphical - AOLearning and Complexity Curves
00009 1.9 Graphical Cross-Validation
00010 2.1 Baseline Classifiers and Classification Metrics
00011 2.2 The Confusion Matrix
00012 2.3 Metrics from the Binary Confusion Matrix
00013 2.4 Understanding the ROC Curve and AUC
00014 2.5 Comparing Classifiers with ROC and PR Curves
00015 3.1 Multi-class Metric Averages
00016 3.2 Multi-class AUC - One-versus-Rest
00017 3.3 Multi-class AUC - The Hand and Till Method
00018 3.4 Cumulative Response and Lift Curves
00019 3.5 Case Study - A Classifier Comparison
00020 4.1 Baseline Regressors
00021 4.2 Regression Metrics - Custom Metrics and RMSE
00022 4.3 Understanding the Default Regression Metric R 2
00023 4.4 Errors and Residual Plots
00024 4.5 A Quick Pipeline and Standardization
00025 4.6 Case Study - A Regressor Comparison