یادگیری ماشین با نظارت در پایتون

توضیحات

راهنمای جامعه برای اجرای الگوریتم یادگیری ماشین در پایتون با استفاده از یادگیری  sci-kit

در این دوره چه چیزهایی یادخواهیم گرفت ؟

یادگیری و پیاده سازی  در پایتون

یادگیری محدودیت های KNN

استففاده از KNN  برای حل مشکلات طبقه بندی چندگانه و باینری

یادگیری و پیاده سازی Bayes Naïve  و طبقه بندی Bayes  در پایتون

یادگیری محدودیت های طبقه بندی Bayes  

یادگیری و پیاده سازی درخت تصمیم گیری در پایتون

یادگیری و پیاده سازی  Perceptron  در پایتون

یادگیری محدودیت های Perceptron

یادگیری فرضیات و چگونگی اعتبار سنجی آنها

یادگیری استخراج ویژگی ها و انتخاب انها

یادگیری جوانب مثبت و منفی بین روش های یادگیری ماشین کلاسیک و یادگیری پیشرفته

استفاده از یادگیری sci-kit

پیاده سازی ماشین تحت وب

در این دوره چه چیزهایی نیاز است

برنامه پایتون ، فایل های کتاب خانه ای numpy  و داشتن تجربیاتی در حیطه پانداها

آمار و احتمالات (توزیع گاوس)

داشتن توانایی یرای نوشتن الگوریتم

توضیحات :

در سال های اخیر ، ما شاهد تجدید حیات AI یا هوش مصنوعی و یادگیری ماشین شدیم یادگیری ماشین موجب نتایج شگفت انگیزی شده است

بعنوان مثال تجزییه و تحلیلی تصاویر پزشکی و پیش بینی بیماری ها از طریق کارشناسان انسان نما

برنامه Google AlphaGO توانست قهرمان جهان را در بازی استراتژی با استفاده از یادگیری ماشین شکست دهد

یادگیری ماشین در صنعت خودرو سازی استفاده میشود و میتواند صنعت خودرو را تغییر دهد.

تصور کنید یادگیری ماشین باعث کاهش تصادفات رانندگی شود فقط با حذف عنصر خطای انسانی

گوگل به تازگی اعلام کرد که یادگیری ماشین حرف اول را میزند و این بدین معناست که یادگیری ماشین توجه بیشتری را به خود جلب میکند و این چیزی است که در سال های آبنده باعث ارتقا این مبحث میشود زیرا یادگیری ماشین در تمامی محصولات تعبیه شده است و در بسیاری از صنایع مالی ، تبلیغات آنلاین ، پزشکی و رباتیک استفاده میشود بدون اینکه در نظر بگیرید چه صنعتی برای شما مفید است بی شک یادگیری ماشین بطور گسترده قابل استفاده است.

در این دوره ما برای اولین بار در مورد الگوریتم  “نزدیک ترین همسایه به k ” یا  KNN  بحث میکنیم این روش یک الگوریتم طبقه بندی عالی برای یادگیر ماشین است.

پس از بحث در مورد این موضوع و اجرای کدنویسی ، به برخی از راه هایی که KNN  نمیتواند اجرا کند اشاره میکنیم.

و همچنین نگاهی به به مزایا و معایب این الگوریتم می اندازیم  و در ادامه به طبقه بندی Bayes Naïve  و طبقه بندی Bayes  اشاره میکنیم.

این الگوریتم به دلیل اینکه مبتنی بر احتمالات است، بسیار جاب است . در این دوره خواهیم دید که چگونه میتوان طبقه بندی Bayes را به یک طبقه بندی خطی و درجه دوم تبدیل کرد تا سرعت محاسبات افزایش یابد در ادامه نگاهی می اندازیم به درخت معروف تصمیم گیری این پیچیده ترین الگوریتمی است که ما در پیرامون آن مطالعه خواهیم کرد و اکثر دوره هایی که به آن نگاه میکنید این الگوریتم را اجرا نخواند کرد و از آنجایی که میدانیم اجرای کاربردی است ما آن را انجام میدهیم.

آخرین الگوریتم مد نظر ما الگوریتم Perceptorn  است .Percpetron  ها از شبکه های عصبی و یادگیری عمیق نشات می گیرند.

بنابراین مطالعه یادگیری ماشین  از اهمیت بالایی برخوردار است.

در این دوره برای یادگیری ماشین به مطالعه موضوعاتی از قبیل فرضیه ها ، اعتبارسنجی متقابل ، استخراج ویژگی ها ، انتخاب ویژگی ها و طبقه بندی چندگانه میپردازیم . آن گاه این موضوعات را با یادگیری ماشین مقایسه خواهیم کرد و جواب مثبت و منفی هر رویکرد را یادخواهیم گرفت در مورد کتابخانه sci-kit به شما آموزش میدهیم.

اگر این الگوریتم ها  برایتان سرگرم کننده باشد شما باید آنها را بهینه کنید و از آن یک آزمایش خوب بیرون بیاورید که این آزمایش از طریق یک مثال کاربردی که شامل نوشتن یک سرویس وب از طریق یادگیری ماشبن است انجام میگیرد.

که در آن احتمالات نادیده گرفته میشود. این موضوعی است که اکثر شرکت ها آن را انجام میدهند و از آن درآمد کسب میکنند.

تمام امکانات این دوره رایگان است و شما میتوانید numpy ، python ، scipy ،  را با استفاده از دستورات ساده در لینوکس ، ویندوز یا مک دانلود و نصب کنید.

 

 

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “یادگیری ماشین با نظارت در پایتون”

نشانی ایمیل شما منتشر نخواهد شد.

شناسه محصول: cors015 دسته: