یادگیری ماشین با Scikit-Learn

مدرس Madecraft

انتشار 2020/10/15

مدت زمان 43m 57s

سطح پیشرفته

فایل تمرینی دارد

آموزش Machine Learning with Scikit-Learn

توانایی اعمال الگوریتم‌های یادگیری ماشین بخش مهمی از مجموعه مهارت‌های دانشمند داده است. scikit-learn یک کتابخانه منبع باز محبوب پایتون است که نسخه های کاربرپسند و کارآمد از الگوریتم های رایج یادگیری ماشین را ارائه می دهد. در این دوره، مایکل گالارنیک، دانشمند داده، نحوه استفاده از scikit-learn را برای یادگیری ماشینی تحت نظارت و بدون نظارت توضیح می دهد. مایکل مزایای این API با کاربرد آسان را بررسی می‌کند و سپس به سرعت به تکنیک‌های عملی می‌پردازد، از رگرسیون خطی و لجستیک، درخت‌های تصمیم‌گیری و مدل‌های جنگل تصادفی شروع می‌کند. در فصل سوم، او تکنیک های یادگیری بدون نظارت مانند خوشه بندی K-means و تجزیه و تحلیل اجزای اصلی (PCA) را پوشش می دهد. بعلاوه، یاد بگیرید که چگونه خط لوله‌های Sicit-Learn ایجاد کنید تا کد خود را تمیزتر و در برابر اشکالات انعطاف‌پذیرتر کنید. در پایان دوره، شما قادر خواهید بود نقاط قوت و ضعف هر الگوریتم Sicit-Learn را درک کنید و مدل های یادگیری ماشینی بهتر و کارآمدتری بسازید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

Machine Learning Python (Programming Language) Scikit-Learn

Introduction

Effective machine learning with scikit-learn ()

What you should know before you start ()

Using the exercise files ()

1. Input and Loading Data

What is machine learning? ()

Why use scikit-learn for machine learning? ()

2. Supervised Learning

What is supervised learning? ()

How to format data for scikit-learn ()

Linear regression using scikit-learn ()

Train test split ()

Logistic regression using scikit-learn ()

Logistic regression for multiclass classification ()

Decision trees using scikit-learn ()

How to visualize decision trees using Matplotlib ()

Bagged trees using scikit-learn ()

Random forests using scikit-learn ()

Which machine learning model should you use? ()

3. Unsupervised Learning

What is unsupervised learning? ()

K-means clustering ()

Principal component analysis (PCA) for data visualization ()

PCA to speed up machine learning algorithms ()

scikit-learn pipelines ()

Conclusion

Get started with scikit-learn ()

Ex_Files_ML_SciKit_Learn.zip (3.8 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 یادگیری ماشین با Scikit-Learn

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 Scikit-Learn در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

در دنیای به سرعت در حال گسترش هوش مصنوعی و یادگیری ماشینی چیزهای زیادی برای یادگیری و ماندن در اوج وجود دارد. از طیف دوره‌های این مسیر یادگیری برای تقویت مهارت‌های خود در زمینه هوش مصنوعی، ML و علم داده با مرور وظایف تجزیه و تحلیل داده‌ها و کاوش در پلت‌فرم‌های برتر استفاده کنید.

آموزش یادگیری ماشین با Scikit-Learn ، ایستگاه شماره 5 در مسیر یادگیری مهارت های خود را در هوش مصنوعی و یادگیری ماشینی ارتقا دهید ، است.