دوره آموزشی
دوبله زبان فارسی
الگوریتمهای پیشرفته یادگیری ماشین
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- استفاده از تکنیکهای منظمسازی برای بهبود عملکرد و قوی بودن مدل
- استفاده از روشهای جمعی، مانند bagging و boosting برای بهبود دقت پیشبینی
- پیادهسازی تیونینگ هایپرپارامترها و مهندسی ویژگی به منظور بهبود مدلها برای چالشهای واقعی
- مدلهای متنوع را برای پیشبینی بهتر ترکیب کرده و جعبه ابزار پیشبینی خود را گسترش دهید.
توضیحات دوره
در دنیایی که راهحلهای مبتنی بر داده در حال متحول کردن صنایع هستند، تسلط به تکنیکهای پیشرفته یادگیری ماشین یک مهارت حیاتی است که به نوآوری و تصمیمگیری استراتژیک قدرت میبخشد. این دوره شما را با تخصص لازم برای استفاده از الگوریتمهای پیشرفته یادگیری ماشین آشنا میکند. شما با دقت به جزئیات پیچیده الگوریتمهای پیشرفته یادگیری ماشین میپردازید. مفاهیم پیچیده سادهسازی خواهند شد تا برای شما قابل فهم و قابل اجرا باشند تا بتوانید از پتانسیل الگوریتمهای پیشرفته به طور مؤثر استفاده کنید.
در پایان این دوره، شما یاد خواهید گرفت که:
- از تکنیکهای منظمسازی برای بهبود عملکرد و قوی بودن مدل استفاده کنید.
- از روشهای جمعی، مانند bagging و boosting برای بهبود دقت پیشبینی استفاده کنید.
- تیونینگ هایپرپارامترها و مهندسی ویژگی را به منظور بهبود مدلها برای چالشهای واقعی پیادهسازی کنید.
- مدلهای متنوع را برای پیشبینیهای بهتر ترکیب کنید و جعبه ابزار پیشبینی خود را گسترش دهید.
- مدلهای یادگیری ماشین مناسب را برای تسکهای مختلف بر اساس عوامل و پارامترهای مختلف انتخاب کنید.
الگوریتمهای پیشرفته یادگیری ماشین
-
معرفی دوره 4:05
-
آشنایی با شرح مسئله 2:30
-
تقسیم مجموعه داده 3:38
-
بیشبرازش و کمبرازش 5:09
-
معرفی مجموعه داده Apex 3:41
-
منظمسازی L1 8:40
-
منظمسازی L2 6:02
-
منظمسازی Elastic Net 7:13
-
تیونینگ رگرسیون لجستیک 3:41
-
منظمسازی L1 9:22
-
منظمسازی L2 3:24
-
منظمسازی Elastic Net 4:29
-
برنامه درسی - الگوریتمهای پیشرفته یادگیری ماشین None
-
منابع مورد استفاده در این ماژول None
-
درک یادگیری جمعی 3:50
-
معرفی الگوریتمهای Bagging 4:00
-
بخش عملی با Bagging Meta Estimator 7:16
-
معرفی جنگل تصادفی 5:27
-
درک امتیاز Out-Of-Bag 4:52
-
جنگل تصادفی در مقابل Bagging کلاسیک در مقابل درخت تصمیمگیری 3:03
-
منابع مورد استفاده در این ماژول None
-
درختان اضافی - مواد مطالعه None
-
معرفی Boosting 5:11
-
توضیح گام به گام AdaBoost 8:18
-
بخش عملی - AdaBoost 4:38
-
ماشینهای تقویت گرادیان (GBM) 3:40
-
بخش عملی با تقویت گرادیان 2:48
-
سایر الگوریتمها (LightBoost ،CatBoost و XGBoost) 8:09
-
منابع مورد استفاده در این ماژول None
-
معرفی مهندسی ویژگی و تیونینگ هایپرپارامترها 2:28
-
تقسیم مجموعه داده 1:49
-
تبدیل ویژگی 7:08
-
تولید ویژگی 10:00
-
انتخاب ویژگی 9:53
-
معرفی هایپرپارامتر و Grid Search CV 3:37
-
جستجوی شبکهای CV 7:08
-
جستجوی تصادفی CV 4:09
-
بهینهسازی بیزی 3:47
-
بهینهسازی بیزی در مجموعه داده synergix 3:39
-
منابع مورد استفاده در این ماژول None
-
معرفی ماژول 3:02
-
درک رأیگیری 4:24
-
استفاده از رأیگیری 5:10
-
درک یادگیری جمعی Stacking 7:30
-
درک روش Hold out یا Blending 4:23
-
منابع مورد استفاده در این ماژول None
-
پلههای ترقی در انتخاب مدل 7:16
-
عواملی که باید در انتخاب مدل در نظر گرفت 5:05
مشخصات آموزش
الگوریتمهای پیشرفته یادگیری ماشین
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:48
- مدت زمان :03:33:34
- حجم :442.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy