دوره آموزشی یادگیری کاربردی ماشین: الگوریتم‌ها (2019)

جزئیات دوره

در اولین قسمت از سری یادگیری ماشین کاربردی، مدرس درک جدامسکی مفاهیم اساسی را پوشش داد و دستور العملی کلی برای حمله به هر مشکل یادگیری ماشینی به روشی 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.

اهداف یادگیری
مدل ها در مقابل الگوریتم ها
پاکسازی متغیرهای مستمر و طبقه بندی شده
تنظیم هایپرپارامترها
مزایا و معایب رگرسیون لجستیک
برازش مدل ماشین‌های بردار پشتیبان
چه زمانی استفاده از مدل پرسپترون چند لایه را در نظر بگیرید
با استفاده از الگوریتم جنگل تصادفی
برازش یک مدل تقویت کننده پایه

سرفصل ها

0. مقدمه

01 - قدرت الگوریتم ها در یادگیری ماشینی
02 - آنچه باید بدانید
03 - چه ابزارهایی نیاز دارید
04 - استفاده از فایل های تمرین

1. بررسی مبانی

05 - تعریف مدل در مقابل الگوریتم
06 - مروری بر فرآیند
07 - متغیرهای پیوسته را پاک کنید
08 - متغیرهای طبقه بندی را پاک کنید
09 - به مجموعه قطار، اعتبار سنجی و آزمایش تقسیم می شود

2. رگرسیون لجستیک

10 - رگرسیون لجستیک چیست
11- چه زمانی باید به استفاده از رگرسیون لجستیک فکر کنید
12 - چه هایپرپارامترهای کلیدی باید در نظر گرفته شود
13 - برازش یک مدل رگرسیون لجستیک پایه

3. ماشین های بردار پشتیبانی

14 - ماشین بردار پشتیبان چیست
15 - چه زمانی باید به استفاده از SVM فکر کنید
16 - فراپارامترهای کلیدی که باید در نظر گرفته شوند کدامند
17 - یک مدل پایه SVM را مناسب کنید

4. پرسپترون چند لایه

18 - پرسپترون چندلایه چیست
19 - چه زمانی باید به استفاده از پرسپترون چند لایه فکر کنید
20 - هایپرپارامترهای کلیدی که باید در نظر گرفته شوند کدامند
21 - یک مدل پرسپترون چند لایه پایه را برازش کنید

5. جنگل تصادفی

22 - جنگل تصادفی چیست
23 - چه زمانی باید به استفاده از جنگل تصادفی فکر کنید
24 - هایپرپارامترهای کلیدی که باید در نظر گرفته شوند کدامند
25 - یک مدل Random Forest را در نظر بگیرید

6. تقویت

26 - چه چیزی تقویت کننده است
27 - چه زمانی باید به استفاده از بوستینگ فکر کنید
28 - هایپرپارامترهای کلیدی که باید برای تقویت در نظر گرفت کدامند
29 - یک مدل تقویت کننده پایه را در نظر بگیرید

7. خلاصه

30 - چرا باید مدل های مختلف را در نظر بگیرید
31 - مقایسه مفهومی الگوریتم ها
32 - انتخاب و ارزیابی مدل نهایی

نتیجه

33 - مراحل بعدی