تبدیل شدن به یک متخصص یادگیری ماشین - Become a Machine Learning Specialist

بسیاری از متخصصان علوم داده به دنبال تمرکز بر یادگیری ماشین هستند. این دوره ملزومات یادگیری ماشین را شامل می‌شود، از جمله تجزیه و تحلیل پیش بینی و کار با درخت تصمیم گیری. چندین الگوریتم محبوب درخت تصمیم گیری را کاوش کنید و یاد بگیرید که چگونه از مهندسی معکوس برای شناسایی متغیرهای خاص استفاده کنید. ارائه‌های استفاده از IBM SPSS Modeler گنجانده شده است تا بتوانید نحوه عملکرد درختان تصمیم گیری را بفهمید. این دوره طراحی شده است تا پایه و اساس محکمی را در اختیار شما بگذارد که بتوانید مهارتهای پیشرفته‌تری در زمینه علوم داده را ایجاد کنید. موضوعات شامل: با استفاده از SPSS Modeler ساخت یک مدل CHAID افزودن مدل دوم با C&RT یادداشت های تجزیه و تحلیل استفاده از نمودار آسانسور و سود کاوش الگوریتم ها ساختن یک درخت به صورت تعاملی تنظیم Bonferonni مدیریت متغیرهای اسمی ، ترتیبی و مداوم بررسی درخت CHAID ضریب جینی توزین خلوص و تعادل درک هرس بررسی درخت C&RT اعمال قوانین توقف با استفاده از ترفند تنظیم خودکار طبقه بندی

مدلهای یادگیری ماشین اغلب در محیطهای پیچیده تولید اجرا می شوند که می توانند با جزر و مد حجم کل داده ها سازگار شوند. ابزارها و شیوه هایی که به دانشمندان داده کمک می کند مدلهای یادگیری ماشین را به سرعت بسازند، برای استقرار آن مدلها در مقیاس کافی نیستند. برای ارائه راه حل های مقیاس پذیر، به مجموعه ابزار کاملاً جدیدی نیاز دارید. این دوره مروری بر الگوهای طراحی معمول برای معماری های مقیاس پذیر یادگیری ماشین و همچنین ابزارهایی برای استقرار و نگهداری مدل های یادگیری ماشین در تولید، به دانشمندان داده و مهندسان DevOps ارائه می دهد. مربی دان سالیوان سه فناوری را که امکان یادگیری ماشینی مقیاس پذیر را فراهم می کند را مرور می کند: سرویس هایی که مدل ها را از طریق API ها نشان می دهد، ظروف برای استقرار مدل ها و ابزارهای ارکستراسیون مانند Kubernetes که به مدیریت ظروف و خوشه ها کمک می کند. به علاوه، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولید دریافت کنید. اهداف یادگیری تعریف مقیاس پذیری ابزارها و تکنیک های یادگیری ماشین مقیاس پذیر الگوهای طراحی معماری برای سیستم های مقیاس پذیر مدلهای یادگیری ماشین به عنوان خدمات محتوی مدل ها Kubernetes برای ارکستراسیون کانتینر نظارت بر عملکرد بهترین روشها برای مقیاس بندی مدلهای یادگیری ماشین

نحوه استفاده از پایتون - و برخی مفاهیم ضروری یادگیری ماشین - را برای ساختن برنامه‌هایی که می‌توانند توصیه کنند را کشف کنید. در این دوره عملی، مربی Lillian Pierson انواع مختلف سیستم‌های پیشنهادی را در بر می‌گیرد و نحوه ساخت هر یک را نشان می‌دهد. او با استفاده از یک سری مثالها و تمرینات به شما کمک می‌کند تا مفاهیم عملکرد سیستمهای پیشنهادی را یاد بگیرید. هنگامی که با مفاهیم اساسی آشنا شدید، او توضیح می‌دهد که چگونه می‌توان از روشهای آماری و یادگیری ماشین برای ساختن توصیه کنندگان خود استفاده کرد. وی نحوه ایجاد یک توصیه مبتنی بر محبوبیت با استفاده از کتابخانه Pandas، نحوه توصیه موارد مشابه بر اساس همبستگی و نحوه استقرار الگوریتم‌های مختلف یادگیری ماشین برای ارائه توصیه‌ها را نشان می‌دهد. در پایان دوره، وی نشان می‌دهد که چگونه ارزیابی می‌کند که کدام پیشنهاد بهترین عملکرد را داشته است. اهداف یادگیری کار با سیستم های توصیه ارزیابی شباهت بر اساس همبستگی ایجاد یک توصیه کننده مبتنی بر محبوبیت توصیه های مبتنی بر طبقه بندی ایجاد یک سیستم فیلترینگ مشارکتی سیستم های توصیه گر مبتنی بر محتوا ارزیابی توصیه کنندگان

یادگیری بدون نظارت نوعی از یادگیری ماشینی است که الگوریتم ها داده های بدون برچسب را تجزیه می کنند. تمرکز بر دسته بندی داده ها به دسته های شناخته شده نیست، بلکه کشف الگوهای پنهان است. یادگیری بدون نظارت نقش بزرگی در تقسیم بندی بازاریابی مدرن، تشخیص تقلب و تجزیه و تحلیل سبد بازار ایفا می کند. این دوره نشان می دهد که چگونه به استفاده منجر تجزیه و تحلیل ماشین یادگیری تکنیک های خوشه، تشخیص ناهنجاری و ارتباط قوانین به نتایج دقیق و معنی دار از داده های بزرگ. سلسله مراتبی، k متوسط، توس، و نقشه خودسازمانده (SOM): مربی کیت مک کورمیک ترین الگوریتم های خوشه بندی رایج را بررسی میکند. او از الگوریتم های مشابه برای تشخیص ناهنجاری استفاده می کند، با توابع تخصصی اضافی موجود در IBM SPSS Modeler. او دوره آموزشی را با مرور قوانین ارتباط و تشخیص توالی به پایان می رساند و همچنین برخی منابع را برای یادگیری بیشتر فراهم می کند. تمامی تمرین ها در IBM SPSS طراح و IBM SPSS آمار نشان داد، اما تاکید بر مفاهیم، ​​نه مکانیک از نرم افزار است. اهداف یادگیری آموزش بدون نظارت چیست؟ اقدامات خوشه ای و مبتنی بر فاصله تجزیه و تحلیل خوشه ای سلسله مراتبی K- به معنی تجزیه خوشه ای است تجسم و گزارش راه حل های خوشه ای روش خوشهای برای متغیرهای قطعی تشخیص ناهنجاری قوانین انجمن تشخیص توالی

اگر در تلاش برای درک یادگیری ماشین هستید، مهم است که بدانید چگونه با درختان تصمیم کار کنید. در این دوره، مفاهیم پیشرفته و جزئیات الگوریتم های درخت تصمیم را کشف کنید. درباره الگوریتم QUEST و نحوه مدیریت متغیرهای اسمی ، متغیرهای ترتیبی و مداوم و داده های از دست رفته اطلاعات کسب کنید. الگوریتم C5.0 را کاوش کنید و برخی از ویژگی های اصلی آن مانند هرس جهانی و پیروزی را مرور کنید. بعلاوه، به چند موضوع پیشرفته که مربوط به همه درختان تصمیم گیری است، مانند تقویت و کیسه زدن، غوطه ور شوید. موضوعات شامل: درک توابع و برنامه های QUEST مفاهیم C5.0 و کاربردهای عملی درک اطلاعات به دست آوردن جنگل های تصادفی تقویت و کیف کردن هزینه ها و هزینه های قبلی

یک نوع مشکل مطلقاً بر یادگیری ماشین و هوش مصنوعی مسلط است: طبقه بندی. طبقه بندی دوتایی، روش غالب، داده ها را به یکی از دو دسته طبقه بندی می کند: خرید یا عدم خرید، تقلب یا عدم، بیمار یا غیره، و غیره. یادگیری ماشین و راه حل های مبتنی بر هوش مصنوعی برای انجام صحیح طبقه بندی به الگوریتم های دقیق و خوب انتخاب شده نیاز دارند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب برای پروژه های خود را انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشین مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیث نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب صحیح اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف برای ساختن مدل شما، از تجزیه و تحلیل متمایز گرفته تا رگرسیون لجستیک تا شبکه های عصبی مصنوعی را نشان می دهد. در نهایت، نحوه غلبه بر چالش هایی مانند برخورد با داده های مفقوده و کاهش داده ها را بیاموزید. توجه: این آموزش ها بر روی نظریه و کاربرد عملی الگوریتم های طبقه بندی دودویی متمرکز شده است. همراه با دوره نیازی به نرم افزار نیست. اهداف یادگیری چرا به طبقه بندی نیاز دارید؟ الگوریتم های آماری در مقابل الگوریتم های یادگیری ماشین ترکیب مدلها با استفاده از مجموعه چالش های مدل سازی طبقه بندی

برآورد ارزش - یکی از متداول ترین انواع الگوریتم های یادگیری ماشین - می تواند با مشاهده اطلاعات مرتبط، به طور خودکار مقادیر را تخمین بزند. به عنوان مثال، یک وب سایت می تواند بر اساس موقعیت و مشخصات ملک، ارزش یک خانه را تعیین کند. در این دوره مبتنی بر پروژه، نحوه استفاده از یادگیری ماشین برای ساختن یک سیستم تخمین ارزش را که می تواند ارزش یک خانه را استنباط کند، کشف کنید. آدام گیتگی را دنبال کنید تا او در مورد چگونگی استفاده از داده های نمونه برای ساختن مدل یادگیری ماشین، استفاده کند و سپس از آن مدل در برنامه های خود استفاده کنید. اگرچه پروژه ارائه شده در این دوره بر املاک و مستغلات متمرکز است، شما می توانید برای حل هر نوع مشکل تخمین ارزش با یادگیری ماشین از همان روش استفاده کنید. موضوعات شامل: تنظیم محیط توسعه ساخت یک برآوردگر ساده ارزش خانه یافتن بهترین وزنه ها به صورت خودکار کار با مجموعه داده های بزرگ به طور کارآمد آموزش مدل یادگیری ماشین تحت نظارت کاوش یک مجموعه داده ارزش خانه تصمیم گیری در مورد مقدار مورد نیاز آماده سازی ویژگی ها آموزش برآوردگر ارزش اندازه گیری دقت با میانگین خطای مطلق بهبود یک سیستم استفاده از مدل یادگیری ماشین برای پیش بینی

داشتن یک درک جامع از رگرسیون خطی-روشی برای مدل سازی رابطه بین یک متغیر وابسته و یکی با چند متغیر دیگر-می تواند به شما در حل بسیاری از مشکلات دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریبا هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهمترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را آشکار می کند. در طول دوره، مربی Keith McCormick از IBM SPSS Statistics در حین پیاده سازی در هر مفهوم استفاده می کند، بنابراین قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تأکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت را خواهند داشت که تقریباً در معرض همه ویژگی های رگرسیون در SPSS قرار گیرند. مربی کیت مک کورمیک، رگرسیون خطی ساده را پوشش می دهد و نحوه ایجاد نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه پرداخته و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین ها برای رگرسیون را مورد بحث قرار می دهد، از جمله درختان رگرسیون و پیش بینی سری های زمانی. اهداف یادگیری ایجاد طرح های پراکندگی موثر در Chart Builder چالش ها و مفروضات رگرسیون چندگانه بررسی مفروضات بصری ایجاد کدهای ساختگی ایجاد و آزمایش شرایط تعامل درک همبستگی جزئی و جزئی تشخیص مشکلات و انجام اقدامات اصلاحی مقابله با چند خطی بودن

این دوره مبتنی بر پروژه به برنامه نویسان در تمام سطوح مهارت نشان می دهد که چگونه از یادگیری ماشین برای ساخت برنامه هایی که می توانند توصیه کنند استفاده کنند. در این دوره، Adam Geitgey شما را در آزمایشگاهی که در حال ساخت یک سیستم توصیه می باشد، راهنمایی می کند که قادر است محصولات مشابهی را بر اساس محصولات قبلی که آنها بررسی کرده یا خریداری کرده اند به مشتریان پیشنهاد دهد. این سیستم همچنین می تواند تشخیص دهد که کدام محصولات مشابه یکدیگر هستند. سیستم های توصیه تقریباً بخش اصلی هر وب سایت مصرف کننده مدرن هستند. این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش مشتری کمک می کند. این دوره از ابزارهای رایگان و منبع باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشین برای حل مشکلات توصیه خواهید بود. سپس می توانید آنچه را که یاد می گیرید مستقیماً در پروژه های خود اعمال کنید. اهداف یادگیری ساخت سیستم یادگیری ماشین آموزش سیستم یادگیری ماشین پالایش دقت سیستم یادگیری ماشین ارزیابی توصیه های دریافتی