دوره آموزشی سطح بالا: مدل سازی داده پایتون و معیارهای ارزیابی مدل
1 ساعت 2 دقیقهپیشرفته2023-02-13
مدرسین
Seth Berry
Associate Teaching Professor and MSBA Academic Co-Director at the University of Notre Dame
جزئیات دوره
این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، میتوانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده میکنید که احتمالاً در محل کار با آن مواجه خواهید شد.
هر قسمت از سری Level Up حداقل 15 فرصت کوچک برای تمرین برنامه نویسی در سطوح مختلف دشواری ارائه می دهد، بنابراین می توانید خود را به چالش بکشید و آنچه را که آموخته اید تقویت کنید. برای یادگیری نحوه راهاندازی و راهاندازی یک فضای کد، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را ببینید.
در این دوره، مربی ست بری 20 چالش پایتون را ارائه میکند که با تست مهارتهای اولیه شروع میشود و به آزمونهای پیچیدهتر دانش شما میرود. هر ویدیو مستقل است، بنابراین میتوانید چالشهایی را که میخواهید امتحان کنید انتخاب و انتخاب کنید. این تمرین های عملی را برای کار بر روی مهارت های کدنویسی خود کاوش کنید!
هر قسمت از سری Level Up حداقل 15 فرصت کوچک برای تمرین برنامه نویسی در سطوح مختلف دشواری ارائه می دهد، بنابراین می توانید خود را به چالش بکشید و آنچه را که آموخته اید تقویت کنید. برای یادگیری نحوه راهاندازی و راهاندازی یک فضای کد، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را ببینید.
در این دوره، مربی ست بری 20 چالش پایتون را ارائه میکند که با تست مهارتهای اولیه شروع میشود و به آزمونهای پیچیدهتر دانش شما میرود. هر ویدیو مستقل است، بنابراین میتوانید چالشهایی را که میخواهید امتحان کنید انتخاب و انتخاب کنید. این تمرین های عملی را برای کار بر روی مهارت های کدنویسی خود کاوش کنید!
مهارت ها
Data ModelingPythonProgramming LanguagesData ScienceOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - مدل سازی داده های پایتون
- 02 - استفاده از GitHub Codespaces با این دوره
1. معیارهای ارزیابی مدل
- 03 - دقت محاسبه
- 04 - محاسبه امتیاز F و MCC
- 05 - ارزیابی منحنی های ROC
- 06 - محاسبه RMSE و MAE
2. مدل سازی
- 07 - وارد کردن مقادیر از دست رفته
- 08 - تعادل داده ها
- 09 - پارتیشن بندی داده ها
- 10 - ذخیره داده ها برای مدل ها
- 11 - مدل های خود را تنظیم کنید
- 12 - استفاده از رگرسیون خطی
- 13 - استفاده از رگرسیون لجستیک
- 14 - استفاده از درختان تصمیم
- 15 - استفاده از جنگل تصادفی
- 16 - استفاده از نمودارهای XGBoost و SHAP
- 17 - طبقه بندی با شبکه های عصبی عمیق
- 18 - ذخیره و استقرار مدل ها
دوره های مرتبط
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی پایتون: کار با تحلیل پیشبینی (Predictive Analytics)
- دوره آموزشی مدل سازی داده ها در MongoDB
- دوره آموزشی یادگیری جامع تحلیل پیشبینی برای مدیران ارشد
- دوره آموزشی ساخت برنامههای Power Apps مبتنی بر مدل
- دوره آموزشی Excel VBA: مدلسازی فرآیندها
- دوره آموزشی شناسایی فرصتها و ریسکها: کاربرد تحلیل پیشبینانه در مدیریت موفقیت مشتری (CSM)
- دوره آموزشی روشهای علم داده: ایجاد حس تجاری