توضیحات
روشهای گروهی : ارتقا ، بسته بندی کردن ، Bootstrap ،یادگیری ماشین آماری برای علم داده در پایتون
در این دوره چه چیزهای یاد خواهید گرفت ؟
• درک و تجزیه واریانس تعادلی
• درک روش Bootstrap و کاربرد آن در قالب بسته بندی
• درک چگونگی بهبود طبقه بندی از طریق بسته بندی و رگرسیون عملکرد
• یادگیری و اجرای جنگل تصمیم گیری
• یادگیری و پیاده سازی AdaBoost
در این دوره به چه چیزهایی نیاز دارید ؟
حساب دیفرانسیل
بلد بودن Numpy، Matplotlib، Sci-Kit
نزدیک ترین همسایه به k (K-Nearest Neighbors) ، درخت تصمیم گیری
آمار و احتمالات در سطح کارشناسی
رگرسیون خطی، رگرسیون لجستیک
توضیحات
در سال های اخیر، ما شاهد تجدید حیات در AI یا هوش مصنوعی و یادگیری ماشین هستیم . یادگیری ماشین منجر به نتایج شگفت انگیزی شده است مانند اینکه قادر به تجزیه و تحلیل تصاویر پزشکی و پیش بینی بیماری ها در برابر کارشناسان انسانی !!
برنامه AlphaGo گوگل توانست قهرمان جهان را در بازی استراتژی با استفاده از یادگیری ماشین شکست دهد
یادگیری ماشین حتی برای برنامه ریزی خودروهای خود استفاده می شود، که برای همیشه صنعت خودرو را تغییر میدهد
تصور کنید جهان با تصادفات رانندگی شدیدا کاهش یابد فقط با حذف عنصر خطای انسانی.
گوگل به تازگی اعلام کرد که یادگیری ماشین حرف اول را میزند و شرکت هایی مانند NVIDIA و آمازرون این یادگیری را دنبال کرده اند و این چیزی است که ، در سالهای آینده نوآوری جدیدی را هدایت می کند
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
یادگیری ماشین همچنین برخی سوالات فلسفی را مطرح می کند. آیا ما یک ماشین می سازیم که می تواند فکر کند؟آیا در این مورد آگاهی لازم را دارید ؟آیا رایانه ها یک روز سراسر دنیا را فرا میگیرند؟
این دوره کامل در مورد روش های گروهی است
ما قبلا برخی از مدل های یادگیری ماشین بصورت کلاسیک را یاد گرفته ایم مانند نزدیک ترین همسایه به k و درخت تصمیم گیری
محدودیت ها و اشکالات آنها را مطالعه کرده ایم.
اگر ما بتوانیم این مدل ها را برای کاهش محدودیت ها ترکیب کنیم آیا یک طبقه بندی یا رگرسیون بسیار قدرتمند تر تولید می کنید؟
در این دوره شما روش هایی برای ، ترکیب مدل هایی مانند درخت تصمیم گیری و رگرسیون لجستیک برای ساخت مدل های دقیق تر، مطالعه خواهید کرد بخصوص مطالعه الگوریتم های جنگل تصادفی و AdaBoost
برای ایجاد انگیزه در این بحث ، یادگیری مسائل مهم آماری است و ارتباط بین بایاس/واریانس
سپس تکنیک بوت استرپ را مطالعه خواهیم کردو استفاده از بسته بندی برای کاهش دو متغیر بایاس/واریانس
ما آزمایشهای زیادی انجام خواهیم داد و از این الگوریتم ها درداده های واقعی استفاده میکنیم و میبینیم که چقدربرای اولین بار قدرتمند هستند
از آنجا که یادگیری عمیق این روزها بسیار محبوب است پس ما به مطالعه برخی اشتراکات بین درخت تصمیم گیری ، AdaBoost ، و شبکه های عصبی میپردازیم
تمام پارامترها در این دوره رایگان هستند. شما می توانید Python، Numpy و Scipy را با استفاده از دستورات ساده در Windows، Linux یا Mac دانلود و نصب کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.