یادگیری ماشین کاربردی: الگوریتم‌ها (2019)

مدرس Derek Jedamski

انتشار 2019/05/15

مدت زمان 2h 24m

سطح مبتدی

فایل تمرینی دارد

آموزش Applied Machine Learning: Algorithms (2019)

در اولین قسمت از مجموعه یادگیری ماشین کاربردی، مدرس درک جدامسکی مفاهیم اساسی را پوشش داد و دستور العملی کلی برای حمله به هر مشکل یادگیری ماشینی به شیوه ای عملی و کامل در اختیار شما قرار داد. در این دوره - دومین و آخرین قسمت این مجموعه - درک با بررسی الگوریتم‌های مختلف، از رگرسیون لجستیک تا تقویت گرادیان، و نشان دادن نحوه تنظیم ساختاری که شما را در انتخاب بهترین ساختار راهنمایی می‌کند، بر روی آن معماری بنا می‌کند. مشکل در دست هر الگوریتم مزایا و معایب خود را دارد که هر کدام را به انتخاب ارجح برای انواع خاصی از مسائل تبدیل می کند. درک آنچه که در واقع هر الگوریتم را هدایت می کند، و همچنین مزایا و معایب آنها، می تواند به شما به عنوان یک دانشمند داده مزیت رقابتی قابل توجهی بدهد.

Algorithms Applied Machine Learning Machine Learning

Introduction

The power of algorithms in machine learning ()

What you should know ()

What tools you need ()

Using the exercise files ()

1. Review of Foundations

Defining model vs. algorithm ()

Process overview ()

Clean continuous variables ()

Clean categorical variables ()

Split into train, validation, and test set ()

2. Logistic Regression

What is logistic regression? ()

When should you consider using logistic regression? ()

What are the key hyperparameters to consider? ()

Fit a basic logistic regression model ()

3. Support Vector Machines

What is Support Vector Machine? ()

When should you consider using SVM? ()

What are the key hyperparameters to consider? ()

Fit a basic SVM model ()

4. Multi-layer Perceptron

What is a multi-layer perceptron? ()

When should you consider using a multi-layer perceptron? ()

What are the key hyperparameters to consider? ()

Fit a basic multi-layer perceptron model ()

5. Random Forest

What is Random Forest? ()

When should you consider using Random Forest? ()

What are the key hyperparameters to consider? ()

Fit a basic Random Forest model ()

6. Boosting

What is boosting? ()

When should you consider using boosting? ()

What are the key hyperparameters to consider boosting? ()

Fit a basic boosting model ()

7. Summary

Why do you need to consider so many different models? ()

Conceptual comparison of algorithms ()

Final model selection and evaluation ()

Conclusion

Next steps ()

Ex_Files_Machine_Learning_Algorithms.zip (5.4 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.