یادگیری ماشین در پایتون - نکات اضافی

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

یادگیری ماشین
کار با مجموعه داده‌های نامتوازن
کار با پایپ‌لاین‌ها
تفسیر مدل و هوش مصنوعی توضیح‌پذیر
بررسی عدالت و سوگیری مدل
ابزارهای یادگیری ماشین آنلاین

پیش‌نیازهای دوره

تمایل به یادگیری
درک اولیه از مفاهیم یادگیری ماشین و پایتون

توضیحات دوره

در این دوره، شما را با برخی موارد اضافی آشنا خواهیم کرد که اکثر دوره‌های یادگیری ماشین پوشش نمی‌دهند. این موارد شامل کار با پایپ‌لاین‌ها به‌ویژه پایپ‌لاین‌های Scikit-learn، پایپ‌لاین‌های اسپارک و غیره و کار با مجموعه داده‌های نامتوازن است.

سایر فریم‌ورک‌های یادگیری ماشین، فراتر از Tensorflow ،Scikit-learn یا پای تورچ، مانند Creme ،TuriCreate برای یادگیری ماشین آنلاین و غیره را نیز بررسی خواهیم کرد.

شما درباره تفسیر و توضیح مدل‌ها یاد خواهید گرفت. برخی از مدل‌های یادگیری ماشین هنگام استفاده در تولید تمایل به سوگیری دارند؛ بنابراین در این دوره، بررسی می‌کنیم چگونه عدالت و سوگیری مدل را تشخیص دهید.

در پایان دوره، شما یک بررسی جامع از مفاهیم و ابزارهای اضافی در کل چرخه عمر پروژه یادگیری ماشین و مواردی که باید در اجرای یک پروژه علم داده در نظر بگیرید، خواهید داشت.

این دوره بدون متن، سرگرم‌کننده و هیجان‌انگیز است، اما در عین حال به جنبه‌های اضافی چرخه عمر یادگیری ماشین نیز می‌پردازد.

به‌طور خاص در مورد موارد زیر یاد خواهید گرفت:

پایپ‌لاین‌ها و مزایای آن‌ها
چگونه پایپ‌لاین‌های یادگیری ماشین را با Scikit-Learn بسازیم؟
چگونه پایپ‌لاین‌های Spark NLP را بسازیم؟
چگونه با مجموعه داده‌های نامتوازن کار کنیم و آن‌ها را فیکس کنیم؟
تشخیص عدالت و سوگیری مدل
چگونه مدل‌های جعبه سیاه خود را با Lime ،Eli5 و غیره تفسیر کرده و توضیح دهیم؟
فریم‌ورک‌های یادگیری ماشین افزایشی و آنلاین
بهترین شیوه‌ها در پروژه‌های علم داده
استقرار مدل
کتابخانه‌های یادگیری ماشین جایگزین مانند TuriCreate و غیره
چگونه آزمایش‌های یادگیری ماشین خود را ردیابی کنیم؟
و غیره

توجه: این دوره به پایپ‌لاین‌های CI-CD یادگیری ماشین می‌پردازد.

به این دوره بپیوندید تا نکات اضافی دنیای یادگیری ماشین در پایتون را بررسی کنید.

این دوره برای چه کسانی مناسب است؟

توسعه‌دهندگان پایتون و علاقه‌مندان به یادگیری ماشین
افرادی که به علم داده و یادگیری ماشین علاقمندند.

یادگیری ماشین در پایتون - نکات اضافی

فصل 1: مقدمه

مقدمه 04:32
کامپوننت‌های یک راه‌حل یادگیری ماشین 06:11
راهنمای دوره 01:24
ابزارهای این حرفه 03:35
راه‌اندازی فضای کار، نصب و مواد دوره 07:45

فصل 2: ماژول 2 - درک و کار با پایپ‌لاین‌ها

پایپ‌لاین‌ها چه هستند؟ 04:33
انواع پایپ‌لاین‌ها 01:33
مزایای پایپ‌لاین‌ها و زمانی که نباید از پایپ‌لاین‌ها استفاده کرد 02:53
پایپ‌لاین‌های Scikit-Learn - مقدمه 04:43
کمبودهاب پایپ‌لاین‌های Scikit-Learn و Neuraxle 01:42
ساخت مدل - رویکرد بدون پایپ‌لاین 24:56
ساخت پایپ‌لاین با Scikit-Learn 27:24
استفاده از جستجوی گرید با پایپ‌لاین‌ها 21:00
ترکیب برآوردگرهای یادگیری ماشین با Classifier رأی‌گیری 27:13
استفاده از Classifier رأی‌گیری با پایپ‌لاین‌های Scikit-Learn 13:57
مصورسازی پایپ‌لاین‌های Scikit-Learn 06:23

فصل 3: ماژول 2 - پایپ‌لاین‌های پردازش زبان طبیعی (NLP)

پایپ‌لاین‌های پردازش زبان طبیعی - مقدمه 03:41
پایپ‌لاین‌های پردازش زبان طبیعی با Scikit-Learn - مدل Classifier متن 31:26
پایپ‌لاین‌های پردازش زبان طبیعی - پایپ‌لاین Classifier متن 12:31
پایپ‌لاین‌های پردازش زبان طبیعی - ذخیره کردن پایپ‌لاین Classifier متن 04:20
پایپ‌لاین‌های پردازش زبان طبیعی - طبقه‌بندی متن چندبرچسبی با پایپ‌لاین‌ها 21:01
پایپ‌لاین‌های پردازش زبان طبیعی - چگونه مجموعه دادهای چندبرچسبی برای یادگیری ماشین بسازیم؟ 10:46
پروژه پردازش زبان طبیعی - طبقه‌بندی متن چندبرچسبی - کامل 01:02:49

فصل 4: ماژول 2 - پایپ‌لاین‌های PySpark

پایپ‌لاین‌های PySpark - مقدمه 26:39
پایپ‌لاین‌های PySpark - ساخت ویژگی‌ها و مدل‌ها 21:30
پایپ‌لاین‌های PySpark - انجام پیش‌بینی‌ها 05:37

فصل 5: ماژول 3 - کار با مجموعه داده نامتوازن

مجموعه داده نامتوازن - مقدمه 08:10
مجموعه داده نامتوازن - چگونه یک مجموعه داده نامتوازن بسازیم؟ 26:34
مجموعه داده نامتوازن - چگونه مجموعه داده‌های نامتوازن را شناسایی کنیم؟ 09:58
مجموعه داده نامتوازن - ساخت بیس‌لاین برای مدل یادگیری ماشین 23:25
مجموعه داده نامتوازن - فیکس کردن مجموعه داده نامتوازن: تغییر الگوریتم‌های یادگیری ماشین 17:53
مجموعه داده نامتوازن - تکنیک بیش‌نمونه‌گیری 13:12
مجموعه داده نامتوازن - تکنیک کم‌نمونه‌گیری 06:46
مجموعه داده نامتوازن - فیکس کردن مجموعه داده نامتوازن با SMOTE 07:00
مجموعه داده نامتوازن - فیکس کردن مجموعه داده نامتوازن با TomekLinks 06:29
مجموعه داده نامتوازن - ترکیب تکنیک‌های بیش‌نمونه‌گیری و کم‌نمونه‌گیری 20:59