یادگیری ماشین با کارت در R

مدرس Zachary Deane-Mayer

انتشار 2024/01/01

مدت زمان 51m 55s

سطح مناسب همه

فایل تمرینی دارد

آموزش Machine Learning with caret in R

یادگیری ماشینی مطالعه و کاربرد الگوریتم‌هایی است که از داده‌ها یاد می‌گیرند و پیش‌بینی می‌کنند. از نتایج جستجو گرفته تا خودروهای خودران، در همه زمینه‌های زندگی ما ظاهر شده است و یکی از هیجان‌انگیزترین و سریع‌ترین زمینه‌های تحقیقاتی در دنیای علم داده است. این دوره ایده های بزرگ در یادگیری ماشین را آموزش می دهد: چگونه مدل های پیش بینی بسازیم و ارزیابی کنیم، چگونه آنها را برای عملکرد بهینه تنظیم کنیم، چگونه داده ها را برای نتایج بهتر پردازش کنیم و خیلی چیزهای دیگر. بسته محبوب caret R، که یک رابط ثابت برای همه قدرتمندترین امکانات یادگیری ماشین R ارائه می‌کند، در طول دوره استفاده می‌شود.

Machine Learning R

Regression Models: Fitting and Evaluating Their Performance

Welcome to the course ()

In-sample RMSE for linear regression on diamonds

Out-of-sample error measures ()

Randomly order the data frame

Try an 80/20 split

Predict on test set

Calculate test set RMSE by hand

Cross-validation ()

10-fold cross-validation

5-fold cross-validation

5 x 5-fold cross-validation

Making predictions on new data

Classification Models: Fitting and Evaluating Their Performance

Logistic regression on sonar ()

Try a 60/40 split

Fit a logistic regression model

Confusion matrix ()

Calculate a confusion matrix

Calculating accuracy

Calculating true positive rate

Calculating true negative rate

Class probabilities and predictions ()

Try another threshold

From probabilites to confusion matrix

Introducing the ROC curve ()

Plot an ROC curve

Area under the curve (AUC) ()

Customizing trainControl

Using custom trainControl

Tuning Model Parameters to Improve Performance

Random forests and wine ()

Fit a random forest

Explore a wider model space ()

Try a longer tune length

Custom tuning grids ()

Introducing glmnet ()

Make a custom trainControl

Fit glmnet with custom trainControl

glmnet with custom tuning grid ()

glmnet with custom trainControl and tuning

Interpreting glmnet plots

Preprocessing Data

Median imputation ()

Apply median imputation

KNN imputation ()

Use KNN imputation

Compare KNN and median imputation

Multiple preprocessing methods ()

Handling low-information predictors ()

Remove near zero variance predictors

preProcess() and nearZeroVar()

Fit model on reduced blood-brain data

Principle components analysis (PCA) ()

Using PCA as an alternative to nearZeroVar()

Selecting Models: A Case Study in Churn Prediction

Reusing a trainControl ()

Make custom train/test indices

Reintroducing glmnet ()

Fit the baseline model

Reintroducing random forest ()

Random forest with custom trainControl

Comparing models ()

Create a resamples object

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش یادگیری ماشین با کارت در R

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Machine Learning with caret in R در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

پاسخ‌های مقوله‌ای و عددی را از طریق طبقه‌بندی و رگرسیون پیش‌بینی کنید و ساختار پنهان مجموعه‌های داده را با یادگیری بدون نظارت کشف کنید.

آموزش یادگیری ماشین با کارت در R ، ایستگاه شماره 3 در مسیر یادگیری مبانی یادگیری ماشینی ، است.