توضیحات

آموزش اصول یادگیری بدون نظارت در یادگیری ماشین و هوش مصنوعی قسمت چهارم

نام دوره : Machine Learning for Data Analysis: Unsupervised Learning

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 4 از مجموعه یادگیری ماشینی ما برای BI است (توصیه می‌کنیم ابتدا قسمت‌های 1، 2 و 3 را ملاحظه کنید)

توضیحات:

این دوره، قسمت 4 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

دوره آموزش اصول یادگیری بدون نظارت در یادگیری ماشین و هوش مصنوعی قسمت چهارم ، 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 یک خط کد نمی نویسید .

خلاصه دوره:

در این دوره، ما با مرور چشم‌انداز یادگیری ماشین، بررسی تفاوت‌های بین یادگیری تحت نظارت و بدون نظارت، و معرفی چند مورد از رایج‌ترین تکنیک‌های بدون نظارت، از جمله تجزیه و تحلیل خوشه‌ای ، کاوی ارتباط ، تشخیص پرت ، و کاهش ابعاد، شروع می‌کنیم.

در طول دوره، ما بر تجزیه هر مفهوم به زبانی ساده و ساده تمرکز خواهیم کرد تا به شما کمک کنیم تا درک درستی از نحوه عملکرد واقعی این مدل‌ها داشته باشید ، از K-Means و Apriori گرفته تا تشخیص پرت، تجزیه و تحلیل اجزای اصلی، و موارد دیگر.

بخش 1: مقدمه ای بر یادگیری ماشینی بدون نظارت

چشم انداز یادگیری بدون نظارت

تکنیک های رایج بدون نظارت

مهندسی ویژگی

گردش کار ML بدون نظارت

بخش 2: خوشه بندی و تقسیم بندی

• مبانی خوشه بندی
• K-Means Clustering
• WSS & Ebow Plots
• خوشه بندی سلسله مراتبی
• تفسیر دندوگرام

بخش 3: معادن انجمن

• مبانی معدنی انجمن
• الگوریتم Apriori
• تجزیه و تحلیل سبد
• حداقل آستانه پشتیبانی
• مجموعه موارد نادر و چندگانه
• زنجیر مارکوف

بخش 4: تشخیص بیرونی

• مبانی تشخیص پرت
• نقاط پرت مقطعی
• نزدیکترین همسایه ها
• پرت سری زمانی
• توزیع باقیمانده

بخش 5: کاهش ابعاد

• مبانی کاهش ابعاد
• تجزیه و تحلیل اجزای اصلی (PCA)
• Scree Plots
• تکنیک های پیشرفته

در طول دوره، ما نسخه‌های نمایشی منحصربه‌فرد و مطالعات موردی در دنیای واقعی را برای کمک به تثبیت مفاهیم کلیدی در طول مسیر معرفی می‌کنیم.

خواهید دید که چگونه k-means می تواند به شناسایی بخش های مشتری کمک کند، چگونه apriori می تواند برای تجزیه و تحلیل سبد و موتورهای توصیه استفاده شود، و چگونه تشخیص پرت می تواند ناهنجاری ها را در مجموعه داده های مقطعی یا سری زمانی شناسایی کند.

دوره آموزش اصول یادگیری بدون نظارت در یادگیری ماشین و هوش مصنوعی قسمت چهارم 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
• متخصصان تجزیه و تحلیل که می خواهند ابزارهای قدرتمندی را برای خوشه بندی، استخراج ارتباط، تجزیه و تحلیل سبد خرید و تشخیص نقاط پرت یاد بگیرند

بخشی از دوره: