مدلسازی پیشگویانه پیشرفته: تسلط بر گروه ها و متامدلینگ

مدرس Keith McCormick

انتشار 2019/04/04

مدت زمان 1h 10m

سطح پیشرفته

فایل تمرینی دارد

آموزش Advanced Predictive Modeling: Mastering Ensembles and Metamodeling

گروه‌ها شامل گروه‌هایی از مدل‌ها هستند که با هم کار می‌کنند تا پیش‌بینی‌های دقیق‌تری انجام دهند. هنگام ایجاد راه‌حل‌های مستقر کامل، دانشمندان داده همچنین ممکن است از انتقال داده‌ها از یک مدل به مدل دیگر یا استفاده از مدل‌های ترکیبی استفاده کنند - همچنین به عنوان متامدلینگ نیز شناخته می‌شود. این تکنیک‌ها در میان برندگان مسابقات مدل‌سازی مانند Kaggle و همچنین تیم‌های پیشرو علم داده در سراسر جهان غالب هستند. در این دوره پیشرفته، می توانید یاد بگیرید که چگونه مجموعه ها و متامدلینگ را به مجموعه ابزار خود اضافه کنید. مربی Keith McCormick یک مقدمه مفهومی ارائه می دهد که می تواند در هر برنامه ای اعمال شود: R، Python، SPSS، یا SAS. او ضروری ترین الگوریتم های مجموعه را معرفی می کند و اصول متامدلینگ را توضیح می دهد. به‌علاوه، دو مطالعه موردی را مرور کنید که نشان می‌دهد چگونه مجموعه‌های تحت نظارت و بدون نظارت و نحوه مسیریابی زیرجمعیت‌های داده‌ها به مدل‌های مختلف در یک سناریوی فرامدل‌سازی را نشان می‌دهد.

IBM SPSS Machine Learning Predictive Modeling

Introduction

The most accurate machine learning models ()

What you should know ()

1. Key Modeling Concepts

Ensemble wins Netflix Prize ()

What is an ensemble? ()

Types of models and modeling algorithms ()

Types of ensembles ()

2. Understanding Model Error

Measuring model accuracy: Value estimation ()

Understanding model error: Classification ()

3. Simple Heterogeneous Ensembles

Stacking ()

Voting for classification ()

4. The Bias-Variance Tradeoff

Error decomposition ()

Visualizing bias and variance ()

Curse of dimensionality ()

Is Occam's Razor always true? ()

5. Ensemble Algorithms Fundamentals

What is Bootstrap aggregating? ()

What is Boosting and how does it work? ()

Gradient boosting demo ()

6. Important Ensemble Algorithms

Random forest ()

Model search by bumping ()

AdaBoost, XGBoost, Light GBM, CatBoost ()

Super Learner, Subsemble, StackNet ()

What are people working on now? ()

7. Ensemble and Meta-Modeling Case Studies

Combining supervised and unsupervised ()

Routing cases to different models ()

Conclusion

Next steps ()

Ex_Files_Adv_Predictive_Mod.zip (13.8 MB)

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 مدلسازی پیشگویانه پیشرفته: تسلط بر گروه ها و متامدلینگ

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 Advanced Predictive Modeling: Mastering Ensembles and Metamodeling در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

تجزیه و تحلیل کسب و کار از داده ها برای حل چالش های تجاری استفاده می کند و دنیای تجارت را متحول می کند. این مسیر یادگیری شما را به درک و به کارگیری تجزیه و تحلیل، پوشش اصولی، ابزارهای محبوب، تجزیه و تحلیل پیش بینی، تجسم داده ها و ارتباط موثر بینش ها مجهز می کند.

آموزش مدلسازی پیشگویانه پیشرفته: تسلط بر گروه ها و متامدلینگ ، ایستگاه شماره 11 در مسیر یادگیری مهارت های تجزیه و تحلیل کسب و کار خود را ارتقا دهید ، است.