آموزش ضروری یادگیری تحت نظارت

مدرس Ayodele Odubela

انتشار 2021/01/21

مدت زمان 1h 28m

سطح متوسط

فایل تمرینی دارد

آموزش Supervised Learning Essential Training

دانشمندان داده و دانشجویان ML/AI ممکن است به تجربه عملی با الگوریتم های یادگیری نظارت شده نیاز داشته باشند. در این دوره، مربی Ayodele Odubela به شما می آموزد که مدل هایی را که ایجاد کرده اید در داده های جدید اعمال کنید و عملکرد مدل را ارزیابی کنید. ابتدا، Ayodele بیان می کند که یادگیری تحت نظارت چیست و چگونه می توان با استفاده از داده های آموزشی برچسب دار پیش بینی کرد. او یک نمای کلی از الگوریتم رگرسیون لجستیک، نحوه ساخت یک مدل خطی در پایتون و نحوه محاسبه معیارهای مدل را به شما می دهد. سپس، Ayodele به شما کمک می‌کند اولین درخت‌های تصمیم خود و همچنین مدل‌های نزدیک‌ترین همسایگان را با استفاده از GridSearch ایجاد کنید. Ayodele نحوه ایجاد شبکه های عصبی مصنوعی را پوشش می دهد که برای اکثر کارهای یادگیری عمیق پایه ای هستند. او با یک مرور کلی هوش مصنوعی اخلاقی پایان می دهد و از شما می خواهد که تأثیر مدل های خود را در نظر بگیرید.

Machine Learning Python (Programming Language) Supervised Learning

Introduction

Supervised machine learning and the technology boom ()

Using the exercise files ()

What you should know ()

1. Supervised Learning with Python

What is supervised learning? ()

Python supervised learning packages ()

Predicting with supervised learning ()

2. Regression Modeling

Defining logistic and linear regression ()

Steps to prepare data for modeling ()

Checking your dataset for assumptions ()

Creating a linear regression model ()

Creating a logistic regression model ()

Evaluating regression model predictions ()

3. Decision Trees

Identify common decision trees ()

Splitting data and limiting decision tree depth ()

How to build a decision tree ()

Creating your first decision trees ()

Analyzing decision tree performance ()

Exploring how ensemble methods create strong learners ()

4. K-Nearest Neighbors

Discovering your k-nearest neighbors ()

What's the big deal about k ()

How to assemble a KNN model ()

Building your own KNN ()

Deciphering KNN model metrics ()

Searching for the best model ()

5. Neural Networks

Biological vs. artificial neural networks ()

Preprocessing data for modeling ()

How neural networks find patterns in data ()

Assembling your neural networks ()

Comparing networks and selecting final models ()

Conclusion

Ethical overview ()

How can I keep developing my skills in supervised learning? ()

Ex_Files_Supervised_Learning.zip (3.6 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.