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

بخشی از دوره :