دوره آموزشی کاربردی یادگیری ماشین: ویژگیهای مهندسی (2020)
2 ساعت 26 دقیقهمتوسط2020-08-10
مدرسین

Derek Jedamski
Skilled Data Scientist specializing in machine learning
جزئیات دوره
کیفیت پیش بینیهای ارائه شده از مدل یادگیری ماشین شما، بازتابی مستقیم از دادههایی است که در حین آموزش به آنها میدهید. مهندسی ویژگی به شما کمک میکند تا آخرین بیت ارزش را از دادهها استخراج کنید. این دوره ابزارهایی را برای به دست آوردن یک مجموعه داده، تحریک سیگنال برای بهینهسازی مدلهای شما فراهم میکند. مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشین تعمیم مییابند. مربی Derek Jedamski اطلاعات تازهای در زمینه یادگیری ماشین و مقدمهای کامل در زمینه مهندسی ویژگیها ارائه میدهد. او ویژگیهای مداوم و طبقهبندی شده را کاوش میکند و نحوه تمیز کردن، عادیسازی و تغییر آنها را نشان میدهد. بیاموزید که چگونه مقادیر از دست رفته را حذف کنید، موارد پرت را حذف کنید، دادهها را تغییر دهید، شاخصها را ایجاد کنید و ویژگیها را تبدیل کنید. در فصلهای آخر، او نحوه تهیه ویژگیها برای مدلسازی را توضیح میدهد و چهار تغییر برای مقایسه ارائه میدهد، بنابراین میتوانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگیها را از طریق عملکرد مدل ارزیابی کنید.
موضوعات شامل:
مهندسی ویژگی چیست؟
کاوش داده ها
ویژگی های طراحی
تمیز کردن ویژگی های موجود
ایجاد ویژگی های جدید
استاندارد سازی ویژگی ها
مقایسه تأثیرات بر عملکرد مدل
موضوعات شامل:
مهندسی ویژگی چیست؟
کاوش داده ها
ویژگی های طراحی
تمیز کردن ویژگی های موجود
ایجاد ویژگی های جدید
استاندارد سازی ویژگی ها
مقایسه تأثیرات بر عملکرد مدل
مهارت ها
Machine LearningPythonArtificial Intelligence (AI)Open SourceDeep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01-راز یادگیری ماشین موثر
- 02-آنچه باید بدانید
- 03- چه ابزارهایی نیاز دارید
- 04- استفاده از فایل های تمرینی
1. مبانی یادگیری ماشین را مرور کنید
- 05-یادگیری ماشین چیست
- 06- یادگیری ماشینی در زندگی واقعی چگونه است؟
- 07-یک خط لوله یادگیری ماشینی سرتاسر به چه شکل است؟
2. مقدمه ای بر مهندسی ویژگی
- 08-مهندسی ویژگی چیست
- 09-چرا مهندسی ویژگی مهم است؟
- 10-ابزارهای موجود در جعبه ابزار مهندسی ویژگی چیست؟
3. داده ها را کاوش کنید
- 11-از چه داده هایی استفاده می کنید
- 12- ویژگی های پیوسته را کاوش کنید
- 13-ویژگی های پیوسته را ترسیم کنید
- 14-ویژگی های طبقه بندی شده را کاوش کنید
- 15-ویژگی های طبقه بندی شده طرح
- 16-خلاصه ویژگی ها
4. ایجاد و تمیز کردن ویژگی ها
- 17- مقادیر از دست رفته در داده ها را درمان کنید
- 18- داده های درپوش و کف برای حذف نقاط پرت
- 19-تغییر ویژگی های کج
- 20-ایجاد ویژگی های جدید از متن
- 21-شاخص ایجاد کنید
- 22-ترکیب ویژگی های موجود در یک ویژگی جدید
- 23-تبدیل ویژگی های دسته بندی به عددی
5. ویژگی ها را برای مدل سازی آماده کنید
- 24- مجموعه های آموزشی و تستی ایجاد کنید
- 25-همه ویژگی ها را استاندارد کنید
- 26- سه مجموعه داده نهایی را بنویسید
6. مقایسه همه ویژگی ها
- 27-مبانی ارزیابی مدل را مرور کنید
- 28-یک مدل با ویژگی های اصلی خام بسازید
- 29- یک مدل با ویژگی های اصلی تمیز شده بسازید
- 30-یک مدل با تمام امکانات بسازید
- 31- مدلی با مجموعه امکانات کاهش یافته بسازید
- 32- تمامی تغییرات مدل را مقایسه و ارزیابی کنید
نتیجه
- 33- چگونه به پیشرفت مهارت های خود ادامه دهید
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی یادگیری ماشین و آمار فضایی در پایتون
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری نظارتشده
- دوره آموزشی یادگیری ماشین در مخابرات: از مبانی تا نمونههای واقعی
- دوره آموزشی Power BI: ترکیب هوش مصنوعی با دادهها