دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با KNIME
2 ساعتمتوسط2022-06-22
مدرسین
Keith McCormick
Data Miner, Trainer, Speaker, Author
جزئیات دوره
بسیاری از متخصصان علوم داده به دنبال تمرکز بر یادگیری ماشین هستند. در این دوره، کیت مک کورمیک اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را پوشش می دهد. چندین الگوریتم درختی محبوب را کاوش کنید و یاد بگیرید که چگونه از مهندسی معکوس برای شناسایی متغیرهای خاص استفاده کنید. نمایش های استفاده از مدل ساز KNIME گنجانده شده است تا بتوانید نحوه عملکرد درخت های تصمیم را درک کنید. این دوره طراحی شده است تا به شما یک پایه محکم برای ایجاد مهارت های پیشرفته تری در علم داده ارائه دهد.
مهارت ها
KNIMEDecision-MakingMachine LearningArtificial Intelligence FoundationsData AnalysisArtificial Intelligence (AI)Data ScienceProfessional DevelopmentBusiness Analysis and StrategyLeadership and ManagementBusiness Software and ToolsDeep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - مبانی درخت تصمیم
- 02 - آنچه باید بدانید
- 03 - نحوه استفاده از فایلهای تمرین
1. معرفی درختان تصمیم
- 04 - درخت تصمیم چیست
- 05 - جوانب مثبت و منفی درختان تصمیم
- 06 - معرفی KNIME
- 07 - مروری سریع بر اصول یادگیری ماشین با مثال
- 08 - مروری بر الگوریتمهای درخت تصمیم
2. معرفی الگوریتم C5.0
- 09 - راس کوینلان، ID3، C4.5، و C5.0
- 10 - درک محاسبات آنتروپی
- 11 - C4.5 چگونه دادههای از دست رفته را مدیریت میکند
- 12 - مجموعه دادههای Give Me Some Credit
- 13 - کار با نمونه از پیش ساخته شده
- 14 - تنظیمات KNIME برای C4.5
- 15 - C4.5 چگونه متغیرهای اسمی را مدیریت میکند
- 16 - C4.5 چگونه متغیرهای پیوسته را مدیریت میکند
- 17 - نمونه برداری با اندازه مساوی
- 18 - نگاهی گذرا به درخت C4.5 کامل
- 19 - ارزیابی دقت درخت C4.5 شما
- 20 - چه زمانی هرس را خاموش کنیم
3. معرفی درختان طبقه بندی
- 21 - معرفی لئو بریمن و CART
- 22 - ضریب جینی چقدر است
- 23 - CART چگونه دادههای از دست رفته را با استفاده از جانشینها مدیریت میکند
- 24 - تغییر تنظیمات در KNIME
- 25 - CART چگونه متغیرهای اسمی را مدیریت میکند
- 26 - نگاهی گذرا به درخت سبد خرید کامل
- 27 - ارزیابی دقت درخت CART شما
4. معرفی درختان رگرسیون
- 28 - مجموعه داده MPG
- 29 - نمونه از پیش ساختهشده درخت رگرسیون
- 30 - ریاضی پشت درختان رگرسیون
- 31 - چگونه RT متغیرهای اسمی را مدیریت میکند
- 32 - جابجایی متغیر ترتیبی
- 33 - به درخت رگرسیون کامل نگاه کنید
- 34 - گزینههای داده از دست رفته KNIME برای درختان رگرسیون
- 35 - طرح خط
- 36 - دقت
نتیجه
- 37 - مراحل بعدی