توضیحات
آموزش اصول یادگیری ماشین بدون کدنویسی قسمت دوم : طبقه بندی
نام دوره : Machine Learning for Data Analysis: Classification Modeling
پیش نیاز:
- این یک دوره آموزشی مبتدی است (بدون نیاز به دانش قبلی یا پیشینه ریاضی/آمار)
- ما از Microsoft Excel (Office 365) برای برخی از نمایش‌های دوره استفاده خواهیم کرد
- این قسمت 2 از سری یادگیری ماشینی ما برای BI است (توصیه می کنیم ابتدا قسمت 1: دسته بندی و پاکسازی اطلاعات را انتخاب کنید)
توضیحات:
اگر مشتاق کاوش علم داده و یادگیری ماشین هستید، اما نگران یادگیری زبان‌های برنامه‌نویسی پیچیده هستید یا از عباراتی مانند “naive bayes” ، “رگرسیون لجستیک” ، “KNN” و “درخت‌های تصمیم‌گیری” می ترسید، در جای مناسبی هستید. .
این دوره، قسمت 2 از یک سری 4 قسمتی است که برای کمک به شما در ایجاد یک درک قوی و اساسی از یادگیری ماشین طراحی شده است:
- بخش 1: بررسی کیفیت و دسته بندی داده
- بخش 2: مدل سازی طبقه بندی
- بخش 3: رگرسیون و پیش بینی
- بخش 4: یادگیری بدون نظارت
این دوره، علم داده را برای افراد عادی قابل دسترسی می‌کند و برای ابهام‌زدایی از ابزارها و تکنیک‌های قدرتمند یادگیری ماشین طراحی شده است، بدون اینکه تلاشی برای آموزش همزمان زبان برنامه‌نویسی به شما داشته باشد.
در عوض، ما از ابزارهای آشنا و کاربر پسند مانند مایکروسافت اکسل استفاده می‌کنیم تا موضوعات پیچیده را بشکافیم و به شما کمک می‌کنیم قبل از اینکه به سراغ زبان‌های برنامه‌نویسی مانند پایتون یا R بروید، دقیقاً بدانید که چگونه و چرا یادگیری ماشینی کار می‌کند.
برخلاف اکثر دوره‌های علم داده و یادگیری ماشین. ، شما در این دوره یک خط کد هم نمی نویسید .
خلاصه دوره:
در این دوره آموزشی2، چشم انداز یادگیری نظارت شده را معرفی می کنیم، گردش کار طبقه بندی را مرور می کنیم، و به موضوعات کلیدی مانند متغیرهای وابسته در مقابل مستقل، مهندسی ویژگی، تقسیم داده ها و برازش بیش از حد می پردازیم.
از آنجا مدل‌های طبقه‌بندی رایج از جمله K-Nearest Neighbors (KNN)، Naïve Bayes، Decision Trees، Random Forests، رگرسیون لجستیک و تحلیل احساسات را بررسی می‌کنیم و نکاتی را برای امتیازدهی، انتخاب و بهینه‌سازی مدل به اشتراک می‌گذاریم.
بخش 1: مقدمه ای بر طبقه بندی
- چشم انداز یادگیری تحت نظارت
- گردش کار طبقه بندی
- مهندسی ویژگی
- تقسیم داده ها
- Overfitting & Underfitting
بخش 2: مدل های طبقه بندی
- K-نزدیکترین همسایه ها
- بیز ساده لوح
- درختان تصمیم
- جنگل های تصادفی
- رگرسیون لجستیک
- تحلیل احساسات
بخش 3: انتخاب و تنظیم مدل
- تنظیم فراپارامتر
- کلاس های نامتعادل
- ماتریس های سردرگمی
- دقت، دقت و یادآوری
- انتخاب مدل و رانش
در طول دوره آموزش اصول یادگیری ماشین بدون کدنویسی قسمت دوم : طبقه بندی, ما مطالعات موردی را برای تثبیت مفاهیم کلیدی و پیوند دادن آنها به سناریوهای دنیای واقعی معرفی خواهیم کرد .
شما به ایجاد یک موتور توصیه برای Spotify، تجزیه و تحلیل رفتار خرید مشتری برای یک فروشگاه خرده‌فروشی، پیش‌بینی اشتراک برای یک شرکت مسافرتی، استخراج احساسات از نظرات مشتریان و موارد دیگر کمک خواهید کرد.
اگر برای ایجاد پایه و اساس یک حرفه موفق در علم داده آماده هستید، این دوره برای شما مناسب است !
دوره آموزش اصول یادگیری ماشین بدون کدنویسی قسمت دوم : طبقه بندی برای چه کسانی است:
- هر کسی که به دنبال یادگیری اصول یادگیری ماشینی از طریق دموهای واقعی و توضیحات بصری و شفاف است.
- تحلیلگران داده یا کارشناسان BI به دنبال انتقال به علم داده یا ایجاد درک اساسی از یادگیری ماشین هستند
- کاربران R یا Python به دنبال درک عمیق تر از مدل ها و الگوریتم های پشت کد خود هستند
- کاربران اکسل که می خواهند ابزارهای قدرتمندی برای تجزیه و تحلیل پیش بینی کنند
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.