دوره آموزشی یادگیری کاربردی ماشین: مبانی (2019)

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 موثر 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.

اهداف یادگیری
یادگیری ماشین (ML) چیست؟
ML در مقابل یادگیری عمیق در مقابل هوش مصنوعی
مدیریت چالش های رایج در ML
ترسیم ویژگی های پیوسته
پاکسازی مداوم و طبقه بندی شده داده ها
سنجش موفقیت
بیش از حد و کم تناسب
تنظیم هایپرپارامترها
ارزیابی یک مدل