دوره آموزشی یادگیری ماشین کاربردی: مبانی
2 ساعت 17 دقیقهمبتدی2024-05-22
مدرسین
Matt Harrison
Python and Data Science Corporate Trainer, Author, Speaker, Consultant
جزئیات دوره
مدلهای هوش مصنوعی محیط کار را متحول میکنند. دانستن آنچه در پشت این مدلها رخ میدهد میتواند به شما کمک کند تکنیکهای یادگیری ماشینی (ML) را به طور مؤثرتری اعمال کنید. در این دوره، مدرس مت هریسون به شما نشان می دهد که چگونه با استفاده از قدرت زبان برنامه نویسی پایتون، مهارت های ضروری یادگیری ماشین را شروع کنید.
با کسب تجربه عملی از اکتشاف داده، پردازش داده، ایجاد مدل، ارزیابی مدل، تنظیم مدل، و استقرار مدل با MLFlow، اصول یک برنامه یادگیری ماشینی سرتاسر را کاوش کنید. در طول مسیر، مهارت های کدنویسی جدید خود را در چالش های تمرینی در پایان هر بخش آزمایش کنید.
با کسب تجربه عملی از اکتشاف داده، پردازش داده، ایجاد مدل، ارزیابی مدل، تنظیم مدل، و استقرار مدل با MLFlow، اصول یک برنامه یادگیری ماشینی سرتاسر را کاوش کنید. در طول مسیر، مهارت های کدنویسی جدید خود را در چالش های تمرینی در پایان هر بخش آزمایش کنید.
مهارت ها
scikit-learnJupyterMachine LearningPythonArtificial Intelligence (AI)Open SourceOne-Off
سرفصل ها
مقدمه
- تسلط بر ملزومات یادگیری ماشین
- آنچه باید بدانید
مقدمه ای بر یادگیری ماشین
- مروری بر انواع یادگیری ماشینی
- کاربردهای ML
- ابزارهای ML
- استفاده از GitHub Codespaces با این دوره
EDA
- کاوش مجموعه داده
- پیش پردازش داده ها
- خطوط لوله Scikit-Learn
- چالش - طرح EDA
- حل - نمودار EDA
ایجاد مدل
- مدل ساختگی
- رگرسیون خطی
- درختان تصمیم
- CatBoost
- چالش - خط لوله تصادفی جنگل
- راه حل - خط لوله تصادفی جنگل
ارزیابی مدل
- R2
- ریشه میانگین مربع
- قطعه باقیمانده
- چالش - ارزیابی جنگل تصادفی
- راه حل - جنگل تصادفی را ارزیابی کنید
تیونینگ مدل
- فراپارامترها و رگرسیون خطی
- تنظیم درختان تصمیم
- تنظیم CatBoost
- جستجوی شبکه ای
- چالش - تنظیم جنگل تصادفی
- راه حل - تنظیم جنگل تصادفی
استقرار مدل
- نوت بوک سرتاسر
- استفاده از MLFlow
- چالش - MLFlow با جنگل تصادفی
- راه حل - MLFlow با جنگل تصادفی
نتیجه
- مراحل بعدی