یادگیری ماشین با scikit-learn
✅ سرفصل و جزئیات آموزش
توانایی بهکارگیری الگوریتمهای یادگیری ماشین، بخش مهمی از مهارتهای یک دانشمند داده است. اما با وجود این همه گزینهی مختلف، تشخیص اینکه از کدام ابزارها باید استفاده کنید میتواند دشوار باشد. scikit-learn یک کتابخانهی متنباز و محبوب پایتون است که نسخههایی کاربرپسند و کارآمد از الگوریتمهای رایج یادگیری ماشین ارائه میدهد. در این دوره، یاد میگیرید چگونه از scikit-learn برای یادگیری ماشین نظارتشده و بدوننظارت استفاده کنید.
در ادامه مزایای این API قدرتمند و تکنیکهای عملی استفاده از آن را بررسی میکنید؛ که رگرسیون خطی و لجستیک، درختهای تصمیم و مدلهای جنگل تصادفی، و همچنین تکنیکهای یادگیری بدوننظارت مانند خوشهبندی K-means و تحلیل مؤلفههای اصلی (PCA) از جمله این موارد هستند. در طول آموزش، یاد میگیرید چگونه پایپ لاینهای scikit-learn را بسازید تا کدتان تمیزتر و در برابر خطاها مقاومتر شود. تا پایان این دوره، آماده خواهید بود تا از نقاط قوت و ضعف هر الگوریتم scikit-learn بهره بگیرید و مدلهای یادگیری ماشین بهتر و کارآمدتری بسازید.
یادگیری ماشین با scikit-learn
-
شروع کار با یادگیری ماشین 0:00:55
-
شروع کار با scikit-learn 0:02:28
-
بررسی یادگیری ماشین در عصر هوش مصنوعی 0:02:36
-
آشنایی با مزایای scikit-learn 0:02:40
-
آمادهسازی محیط 0:03:56
-
پیشبینی مقادیر با یادگیری نظارتشده 0:02:44
-
فرمتبندی دادهها 0:04:33
-
تقسیم دادهها به دو دسته آموزش و آزمون 0:03:58
-
ایجاد مدل رگرسیون خطی 0:04:16
-
استفاده از رگرسیون لجستیک 0:03:43
-
ارزیابی مدلهای طبقهبندی 0:04:46
-
ساخت درخت تصمیم 0:04:47
-
ساخت سریع مدلها با جنگل تصادفی 0:03:42
-
افزایش عملکرد مدل 0:03:31
-
آشنایی با یادگیری بدوننظارت 0:02:36
-
گروهبندی دادهها با الگوریتمهای خوشهبندی 0:04:22
-
افزایش سرعت با کاهش بُعد 0:03:35
-
خودکارسازی پیشپردازش با پایپلاینها 0:03:24
-
بهینهسازی هایپرپارامترها 0:04:29
-
ساخت مدلها با scikit-learn 0:01:37
مشخصات آموزش
یادگیری ماشین با scikit-learn
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:پیشرفته
- تعداد درس:20
- مدت زمان :1:08:38
- حجم :142.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy