پایه و اساس یادگیری ماشین

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

شناسایی ویژگی‌های انواع مختلف یادگیری ماشین
آماده‌سازی داده‌ برای مدل‌های یادگیری ماشین
ساخت و ارزیابی مدل‌های یادگیری نظارت شده و نظارت نشده با استفاده از پایتون
نشان دادن انتخاب صحیح مدل و متریک برای الگوریتم یادگیری ماشین

توضیحات دوره

این دوره ششمین دوره از هفت دوره در گواهینامه Google Advanced Data Analytics Certificate است. در این دوره، شما درباره یادگیری ماشین خواهید آموخت که از الگوریتم‌ها و آمار برای آموزش سیستم‌های کامپیوتری به منظور کشف الگوها در داده‌ استفاده می‌کند. متخصصان داده از یادگیری ماشین برای تحلیل مقادیر زیاد داده، حل مسائل پیچیده و ایجاد پیش‌بینی‌های دقیق استفاده می‌کنند. شما روی دو نوع اصلی یادگیری ماشین، یعنی یادگیری نظارت شده و نظارت نشده تمرکز خواهید کرد. شما یاد می‌گیرید که چگونه مدل‌های مختلف یادگیری ماشین را به مشکلات کسب‌وکار اعمال کنید و با مدل‌های خاصی مانند بیز ساده، درخت تصمیم‌گیری، جنگل تصادفی و موارد دیگر آشنا شوید.

کارکنان گوگل که در حال حاضر در این حوزه فعالیت می‌کنند، شما را از طریق این دوره راهنمایی کرده و فعالیت‌های عملی را برای شبیه‌سازی تسک‌های مرتبط ارائه می‌دهند، مثال‌هایی از کارهای روزمره خود به اشتراک می‌گذارند و به شما در تقویت مهارت‌های تحلیل داده‌ برای آمادگی برای شغلتان کمک می‌کنند.

یادگیرندگانی که هفت دوره این مجموعه را کامل کنند، مهارت‌های لازم برای درخواست شغل در علم داده و تحلیل داده‌ پیشرفته را در اختیار خواهند داشت. این گواهینامه فرض می‌کند که دانش قبلی در اصول، مهارت‌ها و ابزارهای پوشش داده شده در گواهینامه Google Data Analytics Certificate وجود دارد.

در پایان دوره قادر به انجام موارد زیر خواهید بود:

اعمال تکنیک‌های مهندسی ویژگی با استفاده از پایتون
ساخت مدل بیز ساده
توضیح می‌دهید که یادگیری نظارت نشده چگونه با یادگیری نظارت شده متفاوت است.
کدنویسی الگوریتم K-means در پایتون
ارزیابی و بهینه‌سازی نتایج مدل K-means
بررسی مدل‌های درخت تصمیم‌گیری و درک نحوه کار آنها و مزایای آنها نسبت به دیگر انواع یادگیری ماشین نظارت شده
توضیح bagging در یادگیری ماشین، به‌ویژه برای مدل‌های جنگل تصادفی
شناسایی بوستینگ در یادگیری ماشین، به‌ویژه برای مدل‌های XGBoost
توضیح اینکه چگونه پارامترهای مدل را تیونینگ کرده و این تنظیمات چه تاثیری بر عملکرد و متریک‌های ارزیابی دارد.

پایه و اساس یادگیری ماشین

فصل 1: انواع مختلف یادگیری ماشین

آشنایی با دوره 6 3:58
Susheela - مردم را با داده‌ شگفت‌زده کنید 2:35
به ماژول 1 خوش آمدید 1:04
انواع اصلی یادگیری ماشین 6:43
تعیین زمانیکه ویژگی‌ها بی‌نهایت هستند 2:58
ویژگی‌های دسته‌ بندی و مدل‌های طبقه‌بندی 4:11
راهنمایی علاقه کاربران با سیستم‌های توصیه‌گر 6:47
عدالت و انصاف در یادگیری ماشین 3:26
ساخت مدل‌های اخلاقی 4:19
پایتون برای یادگیری ماشین 4:37
انواع مختلف IDEs پایتون 2:27
اطلاعات بیشتر درباره پکیج‌های پایتون 3:25
منابعی برای پاسخ به سوالات برنامه‌نویسی 3:04
تیم یادگیری ماشین شما 2:06
Samantha - اتصال به کامیونیتی متخصصان داده 2:47
جمع‌بندی 1:32
منابع و نکات مفید None
بررسی دوره 6 None
مطالعه موردی - Woobles - قدرت سیستم‌های توصیه‌گر برای افزایش فروش None
راهنمای مرجع - پایتون برای یادگیری ماشین None
کتابخانه‌ها و پکیج‌های پایتون None
یافتن راه‌حل‌ها به صورت آنلاین None
اصطلاحات واژه‌نامه از ماژول 1 None

فصل 2: گردش کار برای ساخت مدل‌های پیچیده

به ماژول 2 خوش آمدید 1:13
PACE در یادگیری ماشین 1:21
برنامه‌ریزی برای پروژه یادگیری ماشین 2:02
Ganesh - بر چالش‌ها غلبه کنید و از اشتباهات خود بیاموزید 2:45
تحلیل داده‌ برای مدل یادگیری ماشین 3:02
آشنایی با مهندسی ویژگی 5:25
حل مشکلات ناشی از مجموعه‌ داده‌های نامتوازن 4:14
مهندسی ویژگی و توازن کلاس 7:32
آشنایی با بیز ساده 4:17
ساخت مدل بیزساده با پایتون 9:49
متریک‌های ارزیابی کلیدی برای مدل‌های طبقه‌بندی 3:29
جمع‌بندی 1:19
اطلاعات بیشتر درباره برنامه‌ریزی پروژه یادگیری ماشین None
بررسی مهندسی ویژگی None
اطلاعات بیشتر درباره مجموعه داده‌های نامتوازن None
classifiers بیز ساده None
اطلاعات بیشتر درباره متریک‌های ارزیابی برای مدل‌های طبقه‌بندی None
اصطلاحات واژه‌نامه ماژول 2 None

فصل 3: تکنیک‌های یادگیری نظارت نشده

به ماژول 3 خوش آمدید 2:03
آشنایی با K-means 4:53
استفاده از K-means برای فشرده‌سازی رنگ با پایتون 7:19
متریک‌های کلیدی برای بازنمایی خوشه‌بندی K-means 3:37
متریک‌های اینرسی و ضریب سیلوئت 4:18
اعمال اینرسی و امتیاز سیلوئت با پایتون 9:03
جمع‌بندی 1:06
اطلاعات بیشتر درباره K-means None
خوشه‌بندی فراتر از K-means None
اطلاعات بیشتر درباره متریک‌های اینرسی و ضریب سیلوئت None
اصطلاحات واژه‌نامه از ماژول 3 None

فصل 4: مدل‌سازی مبتنی بر درخت

به ماژول 4 خوش آمدید 1:31
مدل‌سازی مبتنی بر درخت 4:19
ساخت درخت تصمیم‌گیری با پایتون 6:28
تیونینگ درخت تصمیم‌گیری 5:09
بررسی عملکرد با استفاده از اعتبارسنجی 3:19
تیونینگ و اعتبارسنجی درخت‌های تصمیم‌گیری با پایتون 4:58
تجمیع بوت استرپ 4:53
بررسی جنگل تصادفی 2:38
تیونینگ جنگل تصادفی 3:56
ساخت و اعتبارسنجی متقابل مدل جنگل تصادفی با پایتون 4:54
ساخت و اعتبارسنجی مدل جنگل تصادفی با استفاده از مجموعه داده‌ اعتبارسنجی 7:49
آشنایی با بوستینگ - AdaBoost 5:18
ماشین‌های بوستینگ گرادیان 4:40
تیونینگ مدل GBM 4:51
ساخت مدل XGBoost با پایتون 7:03
جمع‌بندی 1:55
بررسی درختان تصمیم‌گیری None
تیونینگ هایپرپارامترها None
اطلاعات بیشتر درباره اعتبارسنجی و اعتبارسنجی متقابل None
Bagging - چگونه کار می‌کند و چرا باید از آن استفاده کنید؟ None
اطلاعات بیشتر درباره جنگل‌های تصادفی None
راهنمای مرجع - تیونینگ جنگل تصادفی None
راهنمای مرجع - اعتبارسنجی و اعتبارسنجی متقابل None
مطالعه موردی - مدل یادگیری ماشین، بینش‌های مربوط به منبع‌یابی برای بوز آلن همیلتون را کشف می‌کند None
اطلاعات بیشتر درباره بوستینگ گرادیان None
راهنمای مرجع - تیونینگ XGBoost None
اصطلاحات واژه‌نامه از ماژول 4 None