آموزش R tidymodels - بخش 1 - مقدمه

آنچه یاد خواهید گرفت:

• علم داده و یادگیری ماشین چیست و چگونه یادگیری ماشین در حوزه هوش مصنوعی قرار می‌گیرد؟
• نقش مهم یادگیری ماشین و آمار در مدل‌سازی پیش‌بینانه
• اصلی‌ترین تسک‌های یادگیری ماشین چه هستند؟
• چگونه از کتابخانه‌های اصلی tidyverse برای تسک‌های روزمره علم داده استفاده کنیم؟
• چگونه داده‌ خود را با کتابخانه‌های tidyverse آماده کنیم؟
• tidymodels چگونه کتابخانه‌های اصلی tidyverse را گسترش می‌دهد؟
• اهمیت تحلیل اکتشافی داده هنگام ساخت مدل‌های پیش‌بینانه
• مدل رگرسیون خطی چیست؟
• چگونه یک مدل رگرسیون با استفاده از tidymodels ایجاد کنیم؟
• کدام مراحل در گردش‌کار یادگیری ماشین گنجانده شده‌اند؟
• چگونه گردش‌کار یادگیری ماشین را با استفاده از tidymodels طراحی کنیم؟
• روش‌های عمومی برای انتخاب ویژگی چیست؟
• رگرسیون با جریمه چیست؟
• ماهیت رگرسیون ridge و lasso و elastic net چیست؟
• چگونه مدل‌های مختلف رگرسیون با جریمه را با استفاده از tidymodels توسعه دهیم؟

پیش‌نیازهای دوره

• نصب R و RStudio روی کامپیوتر شما یک مزیت است (ما نشان می‌دهیم چگونه تمام منابع را آنلاین یافته و آن را روی کامپیوتر خود نصب کنید).
• دانش پایه‌ در آمار یک مزیت است.
• دانش پایه تا سطح متوسط در R یک مزیت است.
• اگر در برنامه‌نویسی یا R تازه‌کار هستید، ممکن است این دوره برایتان چالش‌برانگیز باشد.
• درک پایه‌ از کتابخانه‌های اصلی tidyverse یک مزیت است (دوره همچنین شامل بخش اضطراری درباره tidyverse می‌باشد).
• علاقه‌مندی به علم داده، یادگیری ماشین، آمار و ساخت مدل‌های پیش‌بینانه
• علاقه‌مندی به نحوه‌ نوشتن کد R کارآمد
• لطفاً در صورت لزوم R و یا کتابخانه‌های R را بروز کنید. لیست نسخه‌ها (R و تمام کتابخانه‌های R استفاده‌شده در تمرینات) در انتهای هر بخش ارائه می‌شود.

توضیحات دوره

آیا آماده‌اید که فراتر از آماده‌سازی داده بروید و شروع به ساخت مدل‌های پیش‌بینانه واقعی در R کنید؟

این دوره گام بعدی شماست!

چه تحلیلگر داده باشید، دانشمند داده مشتاق یا کاربر tidyverse که به دنبال تقویت مهارت‌های مدل‌سازی هستید، این دوره شما را به tidymodels معرفی می‌کند، که فریمورک قدرتمند و منسجم برای مدل‌سازی آماری و یادگیری ماشین در R است.

این دوره پایه‌ قوی در مدل‌سازی پیش‌بینانه به شما می‌دهد. ما با اصول مدل‌سازی رگرسیون شروع کرده و شما را از طریق گردش‌کار کامل مدل‌سازی با استفاده از tidymodels راهنمایی می‌کنیم:

• درک اینکه مدل‌سازی چیست و چگونه با تحلیل ساده داده متفاوت است.
• درک اصول یادگیری آماری و یادگیری ماشین
• ساخت، اعتبارسنجی و تفسیر مدل‌های رگرسیون خطی
• کشف قدرت رگرسیون با جریمه (ridge و lasso و elastic net)
• یادگیری مفهوم تحلیل مبادله بایاس و واریانس و اینکه چگونه منظم‌سازی کمک می‌کند.
• کاربرد گردش‌کارهای منسجم، tidy برای:
  • پیش‌پردازش با recipes
  • مدل‌سازی با parsnip
  • قالب‌سازی مجدد با rsample
  • ارزیابی با yardstick
  • تیونینگ با tune
• استفاده از بهترین شیوه‌ها مانند train/test splits، اعتبارسنجی متقابل و متریک‌های عملکرد

شما نه تنها با نحوه استفاده از ابزارها آشنا می‌شوید، بلکه فرآیند مدل‌سازی را خود درک می‌کنید.

چرا Tidymodels؟

اکوسیستم tidymodels همان وضوح، سازگاری و شیک را که در tidyverse دوست دارید، اما برای مدل‌سازی، به همراه دارد.

به جای جهش بین توابع مدل‌سازی ناسازگار و کدهای دلخواه، tidymodels به شما امکان می‌دهد مدل‌ها را با ساختار منظم و قواعد زبان منسجم ساخته، بهینه کرده و ارزیابی کنید.

آنچه دریافت می‌کنید:

• توضیحات واضح مفهوم‌های مدل‌سازی
• دموهای عملی کدنویسی با استفاده از داده‌ واقعی
• گردش‌کارهای مدل‌سازی به صورت گام به گام
• اسکریپت‌های R قابل دانلود و مجموعه‌ داده‌ها
• تمرین‌ها و تکالیف برای یادگیری تقویتی
• راه‌حل‌ها برای تمام تمرین‌ها و تکالیف
• دسترسی مادام‌العمر

اگر tidyverse را به‌ صورت کامل آموخته‌اید و اکنون می‌خواهید پیش‌بینی، مدل‌سازی و تفسیر کنید، این دوره سکوی شروع شماست.

امروز در دوره شرکت کرده و شروع به ساخت مدل‌ها به روشی منظم کنید.

این دوره برای چه کسانی مناسب است؟

• کسی که به علم داده علاقه‌مند است.
• کسی که به آمار علاقه‌مند است.
• کسی که علاقه‌مند به ساخت مدل‌های پیش‌بینانه با استفاده از یادگیری ماشین است.
• کسی که علاقه‌مند به نوشتن کد R کارآمد است.
• کسی که شغل، پژوهش یا سرگرمی مرتبط با ساخت مدل‌های پیش‌بینانه دارد.
• دانشمند داده مشتاق، آماردانان یا مهندسان تازه‌کار یادگیری ماشین
• کسی که با مدل‌سازی داده سروکار دارد و می‌خواهد با رویکرد مدرن R در مدل‌سازی آشنایی پیدا کند.
• دانشجویانی که مدل‌های پیش‌بینانه می‌سازند.
• دانشمند داده که عمدتاً از پایتون در کار خود استفاده می‌کند و مایل است مهارت‌های خود را در حوزه R گسترش دهد.