دوره آموزشی یادگیری کاربردی ماشینی: الگوریتم ها

1 ساعت 58 دقیقهمتوسط2024-04-15

مدرسین

Matt Harrison

Python and Data Science Corporate Trainer, Author, Speaker, Consultant

جزئیات دوره

با اهمیت روزافزون یادگیری ماشینی تقریباً در هر بخش، متخصصان به درک عمیق‌تر و رویکرد عملی برای پیاده‌سازی مؤثر الگوریتم‌های ML نیاز دارند.

این دوره به الگوریتم های رایج یادگیری ماشینی می پردازد. مربی مت هریسون بر روی الگوریتم‌های یادگیری غیرعمیق، پوشش PCA، خوشه‌بندی، رگرسیون خطی و لجستیک، درخت‌های تصمیم، جنگل‌های تصادفی و تقویت گرادیان تمرکز دارد.

مهارت ها

Machine LearningPythonArtificial Intelligence (AI)Open SourceDeep Dive (X:Y)

سرفصل ها

0. مقدمه

01 - یادگیری ماشینی کاربردی - الگوریتم ها
02 - آنچه باید بدانید

1. خوشه بندی

03 - ک-یعنی
04 - ارزیابی K
05 - درک خوشه ها
06 - الگوریتم‌های دیگر
07 - چالش - درخواست KNN
08 - راه حل - KNN را اعمال کنید

2. PCA

09 - PCA
10 - ساختار اجزاء
11 - اجزاء
12 - طرح پراکندگی
13 - الگوریتم‌های دیگر
14 - چالش - از PCA استفاده کنید
15 - راه حل - از PCA استفاده کنید

3. رگرسیون خطی

16 - الگوریتم رگرسیون خطی
17 - scikit-آموزش
18 - مثال در دنیای واقعی
19 - مفروضات
20 - چالش - یک مدل رگرسیون خطی ایجاد کنید
21 - راه حل - یک مدل رگرسیون خطی ایجاد کنید

4. رگرسیون لجستیک

22 - الگوریتم رگرسیون لجستیک
23 - مثال اساسی
24 - مفروضات
25 - چالش - یک مدل رگرسیون لجستیک بسازید
26 - راه حل - یک مدل رگرسیون لجستیک بسازید

5. درختان تصمیم

27 - الگوریتم درخت تصمیم
28 - مثال در دنیای واقعی
29 - Random Forest و XGBoost
30 - چالش - طراحی مدل درخت تصمیم
31 - راه حل - طراحی مدل درخت تصمیم

نتیجه

32 - مراحل بعدی