دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم گیری پیشرفته با KNIME

1 ساعت 33 دقیقهپیشرفته2022-11-14

مدرسین

Keith McCormick

Data Miner, Trainer, Speaker, Author

جزئیات دوره

به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

مهارت ها

KNIMEDecision-MakingMachine LearningData AnalysisArtificial Intelligence (AI)Data ScienceProfessional DevelopmentBusiness Analysis and StrategyLeadership and ManagementBusiness Software and ToolsDeep Dive (X:Y)

سرفصل ها

0. مقدمه

01 - درختان تصمیم گیری پیشرفته
02 - آنچه باید بدانید
03 - استفاده از فایل های تمرین

1. بررسی الگوریتم‌های درخت تصمیم

04 - چرا درختان الگوریتم های حریص محسوب می شوند
05 - چرا این همه الگوریتم وجود دارد
06 - پنج گزینه کم نود یا بدون کد در KNIME

2. استفاده از برنامه های افزودنی

07 - نصب برنامه های افزودنی
08 - تظاهرات WEKA LMT
09 - تفسیر نتایج LMT

3. القاء قواعد چیست

10- مقایسه درختان و استقراء قاعده
11 - دمو القایی قوانین
12 - تفسیر قوانین

4. گزینه های کم کد پایتون در KNIME

13 - گزینه های کم کد در KNIME
14 - دمو گره اسکریپت پایتون
15 - دمو CHAID در KNIME
16 - گزینه های کد پیشرفته در KNIME (درخت های پراکنده بهینه)

5. گروه ها و جنگل های تصادفی

17 - معرفی جنگل تصادفی
18 - دمو جنگل های تصادفی
19 - مقایسه دو مدل

6. نکات و ترفندهای پیشرفته

20 - کاهش داده ها با جنگل های تصادفی
21 - گره نمای XAI
22 - استقرار

نتیجه

23 - نظرات و توصیه های نهایی