دوره آموزشی یادگیری ماشین کاربردی: مبانی

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.

سرفصل ها

0. مقدمه

01 - تسلط بر ملزومات یادگیری ماشین
02 - آنچه باید بدانید

1. مقدمه ای بر یادگیری ماشین

03 - مروری بر انواع یادگیری ماشینی
04 - کاربردهای ML
05 - ابزارهای ML
06 - استفاده از GitHub Codespaces با این دوره

2. EDA

07 - کاوش مجموعه داده
08 - پیش پردازش داده ها
09 - خطوط لوله Scikit-Learn
10 - چالش - طرح EDA
11 - حل - نمودار EDA

3. ایجاد مدل

12 - مدل ساختگی
13 - رگرسیون خطی
14 - درختان تصمیم
15 - CatBoost
16 - چالش - خط لوله تصادفی جنگل
17 - راه حل - خط لوله تصادفی جنگل

4. ارزیابی مدل

18 - R2
19 - ریشه میانگین مربع
20 - قطعه باقیمانده
21 - چالش - ارزیابی جنگل تصادفی
22 - راه حل - جنگل تصادفی را ارزیابی کنید

5. تیونینگ مدل

23 - فراپارامترها و رگرسیون خطی
24 - تنظیم درختان تصمیم
25 - تنظیم CatBoost
26 - جستجوی شبکه ای
27 - چالش - تنظیم جنگل تصادفی
28 - راه حل - تنظیم جنگل تصادفی

6. استقرار مدل

29 - نوت بوک سرتاسر
30 - استفاده از MLFlow
31 - چالش - MLFlow با جنگل تصادفی
32 - راه حل - MLFlow با جنگل تصادفی

نتیجه

33 - مراحل بعدی