یادگیری ماشین کاربردی: مبانی

مدرس Derek Jedamski

انتشار 2019/05/10

مدت زمان 2h 38m

سطح مبتدی

فایل تمرینی دارد

آموزش Applied Machine Learning: Foundations

هر کسی که بتواند پایتون پایه بنویسد، می‌تواند یک مدل یادگیری ماشینی ساده را بر روی یک مجموعه داده تمیز قرار دهد. مزیت رقابتی در توانایی شخصی سازی و بهینه سازی آن مدل ها برای مشکلات خاص است. گردش کار مورد استفاده برای ساخت مدل‌های یادگیری ماشین مؤثر و روش‌های مورد استفاده برای بهینه‌سازی آن مدل‌ها معمولاً الگوریتم یا مشکل خاصی نیستند. در این دوره، اولین قسمت از مجموعه دو قسمتی یادگیری ماشین کاربردی، مدرس درک جدامسکی به مبانی یادگیری ماشین، از تجزیه و تحلیل داده‌های اکتشافی گرفته تا ارزیابی یک مدل برای اطمینان از تعمیم آن به نمونه‌های دیده نشده، می‌پردازد. درک به جای استفاده از هر الگوریتم یادگیری ماشینی خاص، بر ارائه ابزارهایی برای حل موثر تقریباً هر نوع مشکل یادگیری ماشینی تمرکز می کند.

Applied Machine Learning Artificial Intelligence (AI) Data Cleaning Machine Learning Python (Programming Language)

Introduction

Leveraging machine learning ()

What you should know ()

What tools you need ()

Using the exercise files ()

1. Machine Learning Basics

What is machine learning? ()

What kind of problems can this help you solve? ()

Why Python? ()

Machine learning vs. Deep learning vs. Artificial intelligence ()

Demos of machine learning in real life ()

Common challenges ()

2. Exploratory Data Analysis and Data Cleaning

Why do we need to explore and clean our data? ()

Exploring continuous features ()

Plotting continuous features ()

Continuous data cleaning ()

Exploring categorical features ()

Plotting categorical features ()

Categorical data cleaning ()

3. Measuring Success

Why do we split up our data? ()

Split data for train/validation/test set ()

What is cross-validation? ()

Establish an evaluation framework ()

4. Optimizing a Model

Bias/Variance tradeoff ()

What is underfitting? ()

What is overfitting? ()

Finding the optimal tradeoff ()

Hyperparameter tuning ()

Regularization ()

5. End-to-End Pipeline

Overview of the process ()

Clean continuous features ()

Clean categorical features ()

Split data into train/validation/test set ()

Fit a basic model using cross-validation ()

Tune hyperparameters ()

Evaluate results on validation set ()

Final model selection and evaluation on test set ()

Conclusion

Next steps ()

Ex_Files_Applied_Machine_Learning.zip (2.6 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.