آموزش R tidymodels - بخش 2 - فراتر از رگرسیون خطی

آنچه یاد خواهید گرفت:

• چگونه مدل‌های پیش‌بینی را با فریمورک tidymodels توسعه دهیم؟
• چگونه هایپرپارامترها با استفاده از فریمورک tidymodels تیونینگ می‌شوند؟
• ماهیت الگوریتم KNN چیست؟
• چگونه الگوریتم KNN برای مدل‌سازی در tidymodels استفاده شود؟
• درخت‌های تصمیم‌گیری چگونه ساخته می‌شوند؟
• درخت‌های تصمیم‌گیری چگونه برای مدل‌سازی رگرسیون استفاده شوند؟
• چگونه درخت تصمیم‌گیری را بهینه کنیم؟
• یادگیری گروهی و مدل‌های گروهی چیست؟
• Bagging چیست؟
• الگوریتم جنگل تصادفی چیست؟
• چگونه الگوریتم جنگل تصادفی را در tidymodels استفاده کنیم؟
• ایده‌ پایه رایانش موازی چیست؟
• چگونه از رایانش موازی در گردش‌کار یادگیری ماشین در فریمورک tidymodels استفاده می‌شود؟
• بوستینگ چیست؟
• چگونه بوستینگ برای توسعه مدل Extreme گرادیان بوستینگ (XGBoost) به‌کار رود؟
• چگونه مدل‌های XGBoost و LightGBM را در tidymodels استفاده کنیم؟
• چگونه مدل‌های رگرسیون با کارایی بالا برای داده‌ جدولی به‌ کار ببریم؟

پیش‌نیازهای دوره

• R و RStudio روی رایانه شما نصب شده باشد.
• دانش پایه در آمار مزیت محسوب می‌شود.
• دانش پایه تا سطح متوسط در R مزیت محسوب می‌شود.
• اگر در برنامه‌نویسی یا R تازه‌کار هستید، این دوره ممکن است چالش‌برانگیز باشد.
• درک پایه از کتابخانه‌های tidyverse مزیت بزرگ است.
• علاقه به علم داده، یادگیری ماشین، آمار و ساخت مدل‌های پیش‌بینانه
• علاقه به نوشتن کد R کارآمد
• لطفاً در صورت نیاز، R و کتابخانه‌های آن را بروزرسانی کنید. لیست نسخه‌ها (R و تمام کتابخانه‌های R استفاده‌ شده در تمرین‌ها) در پایان هر بخش ارائه می‌شود.
• پایان بخش 1 به‌ طور شدید توصیه می‌شود.

توضیحات دوره

شما مدل‌های پیش‌بینانه اولین خود را ساخته‌اید. شما رگرسیون خطی و ساده‌سازی (منظم سازی) را درک می‌کنید. اکنون زمانی برای بالارفتن سطح است.

این دوره برای یادگیرندگانی طراحی شده که می‌خواهند فراتر از مدل‌های ساده بروند و به چالش‌های واقعی رابطه‌های غیرخطی، الگوریتم‌های انسیمبل و چالش‌های واقعی مدل‌سازی با اطمینان دست بزنند.

آنچه یاد خواهید گرفت؟

در این دوره، ما در حوزه‌ رگرسیون باقی می‌مانیم اما ابزار مدل‌سازی شما را با الگوریتم‌های قدرتمند جدید و استراتژی‌های مدل‌سازی گسترش می‌دهیم:

• استفاده از k-نزدیکترین همسایه (KNN) برای رگرسیون انعطاف‌پذیر و غیر پارامتریک
• ساخت درخت‌های تصمیم گیری برای مدل‌های قابل تفسیر و مبتنی بر قانون
• اعمال جنگل تصادفی برای مدل‌سازی گروهی قوی
• استفاده از XGBoost و LightGBM، دو از سریع‌ترین و قوی‌ترین یادگیرنده‌های مبتنی بر درخت
• درک اصول پشت bagging و بوستینگ 
• یاد می گیرید که چگونه پردازش موازی، تیونینگ و نمونه‌برداری مجدد مدل را سرعت می‌بخشد.
• تیونینگ موثر هایپرپارامترها با شبکه‌ها و رویکرد جستجوی تکراری بیزی
• مقایسه مدل‌ها با استفاده از متریک‌های یکسان در سراسر الگوریتم‌ها
• ساختار گردش کاری مدل‌سازی برای قابلیت مقیاس‌پذیری، قابلیته خوانا و قابل تکرار

و برای درآموزش همه آن، شما پروژه نهایی مدل‌سازی را تکمیل می‌کنید، جایی که یک مدل پیش‌بینانه روی داده‌ جدید ایجاد می‌کنید و همه چیزی را که یاد گرفته‌اید به‌کار می‌برید.

چرا این دوره؟

علم داده مدرن به‌کارگیری تنها یک مدل‌ واحد با یک اندازه‌ مناسب نیاز ندارد.

با داده‌ واقعی، روابط کمتر از حد خطوطی هستند. این دوره به شما می‌آموزد چگونه تغییر دهید، انتخاب کنید بهترین مدل و قضاوت کنید انتخاب‌های خود.

این دوره فراتر از سینتکس، به شما کمک می‌کند تا مانند یک متخصص یادگیری ماشین فکر کنید و در عین حال کاملاً در چارچوب فلسفه زیبا، منسجم و مرتب tidymodels بمانید. 

آنچه دریافت می‌کنید؟

• توضیحات واضح مفاهیم پیشرفته مدل‌سازی
• توضیحات شهودی درباره‌ ensembles و bagging و بوستینگ
• پیاده‌سازی هر الگوریتم به صورت گام به گام
• مثال‌های کدنویسی عملی با داده‌ واقعی
• تمرین‌ها و تکالیف برای تقویت یادگیری
• مجموعه راهنماها برای تمام تمرین‌ها و تکالیف
• یک پروژه نهایی مدل‌سازی
• تمام کد، داده‌ و راهنما ها ارائه می‌شود.
• دسترسی مادام‌العمر

مخاطبان دوره

• دانشجویانی که در بنیادی tidyverse و tidymodels درک اولیه دارند (پیشنهاد می‌شود ابتدا بخش 1 را تمام کنید).
• تحلیلگران داده و دانشمندان که می‌خواهند رگرسیون را با الگوریتم‌های مدرن تسلط یابند.
• کاربران R که آماده‌اند تا از مدل‌های خطی فراتر رفته و به یادگیرندگانی انعطاف‌پذیر و با عملکرد بالا تبدیل شوند.
• کسی که علاقه‌مند است به روش‌هایensemble، تیونینگ مدل و استراتژی‌های بوستینگ در R پی ببرد.

اگر می‌خواهید مهارت‌های مدل‌سازی R خود را تقویت کنید و از قوی‌ترین ابزارهای رگرسیونی در دسترس باشید، در چارچوب tidymodels، این دوره برای شماست.

همین امروز شرکت کنید و مدل‌سازی پیش‌بینانه خود را به سطح بعدی ببرید.

این دوره برای چه کسانی مناسب است؟

• کسی که علاقه‌مند به علم داده است.
• کسی که علاقه‌مند به آمار است.
• کسی که علاقه‌مند به ساخت مدل‌های پیش‌بینانه با یادگیری ماشین است.
• کسی که علاقه‌مند به نوشتن کد R کارآمد است.
• کسی که شغل، پژوهش یا علاقه‌مندی‌ به ساخت مدل‌های پیش‌بینانه مرتبط است.
• آموزش داخلی علم داده، آمار یا مهندسی یادگیری ماشین
• کسی که با مدل‌سازی داده سروکار دارد و می‌خواهد روش نوین R را بشناسد.
• دانشجویانی که مدل‌های پیش‌بینانه می‌سازند.
• آنان که عمدتاً در کار خود به پایتون می‌پردازند و می‌خواهند مهارت‌هایشان را به حوزه R توسعه دهند.