دوره آموزشی ماشین لرنینگ با Scikit-Learn آپدیت (2020)

توانایی استفاده از الگوریتم‌های یادگیری ماشین، بخش مهمی از مجموعه مهارت‌های یک دانشمند داده است. scikit-learn یک کتابخانه محبوب منبع باز Python است که نسخه‌های کاربر پسند و کارآمد الگوریتم‌های متداول یادگیری ماشین را ارائه می‌دهد. در این دوره، دانشمند داده Michael Galarnyk توضیح می‌دهد که چگونه از یادگیری ناگهانی برای یادگیری ماشین تحت نظارت و بدون نظارت استفاده کنید. او مزایای این API با کاربرد آسان را مرور می‌کند و سپس به سرعت به دنبال روش‌های عملی می‌رود، شروع با رگرسیون خطی و لجستیک، درختان تصمیم گیری و مدل‌های تصادفی جنگل. در فصل سه، او تکنیک‌های یادگیری بدون نظارت مانند خوشه‌بندی K-means و تجزیه و تحلیل مولفه‌های اصلی (PCA) را پوشش می‌دهد. به علاوه، نحوه ایجاد scikit-learn pipelines را بیاموزید تا کد شما را تمیزتر و در برابر اشکالات مقاوم‌تر کند. در پایان دوره، شما قادر خواهید بود نقاط قوت و ضعف هر الگوریتم یادگیری scikit را یاد بگیرید و مدل‌های یادگیری ماشین کارآمدتر و کارآمدتری بسازید.

موضوعات شامل:
چرا باید از scikit-learn استفاده کرد؟
یادگیری تحت نظارت و نظارت بدون نظارت
رگرسیون خطی و لجستیکی
درختان تصمیم گیری و جنگل های تصادفی
K به معنی خوشه بندی است
تجزیه و تحلیل مولفه های اصلی (PCA)