یادگیری ماشین با تحلیل پیش‌بینانه Minitab

آنچه یاد خواهید گرفت:

• اصول یادگیری ماشین را با تمرکز بر کاربردهای عملی با استفاده از Minitab خواهید آموخت.
• یاد خواهید گرفت چگونه این تکنیک‌ها را در مسائل واقعی در حوزه‌های کاربردی مختلف به کار ببرید.
• این رویکرد عملی به شما اعتماد به نفس و مهارت‌های لازم برای موفقیت در حرفه تحلیل داده‌ یا یادگیری ماشین را ارائه می‌دهد.
• در پایان دوره قادر خواهید بود مدل‌های رگرسیون و طبقه‌بندی بسازید و پیاده‌ کنید و درک عمیقی از مفاهیم زیربنایی آنها داشته باشید.

توضیحات دوره

عنوان دوره - مبانی یادگیری ماشین با Minitab

این دوره جامع برای ارائه درک دقیق از مبانی یادگیری ماشین با استفاده از Minitab طراحی شده و تمرکز آن بر یادگیری نظارت‌ شده است. در این دوره، مفاهیم پایه تحلیل رگرسیون و طبقه‌بندی لجستیک باینری، از جمله نحوه ارزیابی مدل‌ها و تفسیر نتایج بیان می‌شود. همچنین مدل‌های مبتنی بر درخت برای طبقه‌بندی باینری و چندکلاسه پوشش داده می‌شوند.

دوره با معرفی یادگیری ماشین آغاز می‌شود، جایی که دانشجویان با مفهوم یادگیری ماشین، انواع مختلف آن و تفاوت یادگیری نظارت‌ شده و نظارت‌ نشده آشنا می‌شوند. سپس مروری بر مبانی یادگیری نظارت‌ شده ارائه می‌شود که شامل نحوه یادگیری، انواع مختلف رگرسیون و شرایط لازم برای استفاده از مدل‌های رگرسیون در یادگیری ماشین و تفاوت آن با آمار کلاسیک می‌شود.

در ادامه، تحلیل رگرسیون به جزئیات می‌پردازد و انواع مختلف مدل‌های رگرسیون و نحوه استفاده از Minitab برای ارزیابی آنها آموزش داده می‌شود. این بخش شامل توضیحی دقیق درباره پیش‌بینی‌کننده‌های مهم از نظر آماری، هم‌خطی بودن چندگانه و روش‌های مدیریت مدل‌های رگرسیون که شامل پیش‌بینی‌کننده‌های دسته‌ای، از جمله اثرات جمعی و تعاملی هستند، می‌باشد. همچنین دانشجویان یاد می‌گیرند چگونه برای مشاهدات جدید پیش‌بینی‌ها را با استفاده از فواصل اطمینان و فواصل پیش‌بینی انجام دهند.

سپس دوره به ساخت مدل می‌رسد، جایی که یاد می‌گیرند چگونه با معادلات رگرسیون که شامل پیش‌بینی‌کننده‌های «غلط» هستند برخورد کنند و چگونه از رگرسیون stepwise برای یافتن مدل‌های بهینه در Minitab استفاده کنند. این بخش شامل بررسی روش‌های ارزیابی مدل و تفسیر نتایج است.

دوره سپس به رگرسیون لجستیک باینری می‌پردازد که برای طبقه‌بندی باینری استفاده می‌شود. دانشجویان یاد می‌گیرند چگونه مدل‌های طبقه‌بندی باینری، از جمله متریک‌های برازش خوب مانند منحنی ROC و مقدار AUC را ارزیابی کنند. همچنین با استفاده از Minitab، مجموعه داده‌ نارسایی قلبی را با رگرسیون لجستیک باینری تحلیل می‌کنند.

سپس درخت‌های طبقه‌بندی آموزش داده می‌شوند که شامل بررسی روش‌های تقسیم گره مانند تقسیم بر اساس نرخ خطای طبقه‌بندی، ناخالصی جینی و آنتروپی می‌باشد. دانشجویان یاد می‌گیرند چگونه کلاس یک گره را پیش‌بینی کنند و کیفیت مدل را با استفاده از هزینه‌های خطای طبقه‌بندی، منحنی ROC، نمودار Gain و نمودار Lift برای هر دو نوع طبقه‌بندی باینری و چندکلاسه ارزیابی کنند.

در نهایت، مفهوم و کاربرد احتمالات قبلی تعیین‌ شده و هزینه‌های ورودی خطای طبقه‌بندی آموزش داده می‌شود و نحوه ساخت درخت با استفاده از Minitab شرح داده می‌شود. در طول دوره، دانشجویان تجربه عملی در اعمال مفاهیم در سناریوهای واقعی کسب می‌کنند.

در کل، این دوره درک جامعی از مبانی یادگیری ماشین با استفاده از Minitab، با تمرکز بر یادگیری نظارت‌ شده، تحلیل رگرسیون و طبقه‌بندی ارائه می‌دهد. پس از اتمام دوره، دانشجویان دانش و مهارت‌های لازم برای اعمال تکنیک‌های یادگیری ماشین نظارت شده در مسائل داده‌ واقعی را کسب خواهند کرد.

این دوره برای چه کسانی مناسب است؟

• این دوره برای دانشجویانی طراحی شده که دارای دانش اولیه در آمار هستند و در یادگیری ماشین تازه‌کار می‌باشند و می‌خواهند مهارت‌های عملی در این زمینه کسب کنند.
• تجربه برنامه‌نویسی نیاز نیست، اما دوره شما را با استفاده پیشرفته از رابط منو محور Minitab آشنا می‌کند.
• یادگیری ماشین رشته‌ای چندرشته‌ای است که معمولاً در کتاب‌ها و دوره‌های متعدد به صورت عمیق‌تر آموزش داده می‌شود، اما این دوره بهترین منبع اولیه یادگیری است.