درختان، SVM و یادگیری نظارت نشده

آنچه یاد خواهید گرفت:

• توضیح مزایا و معایب درختان و یادگیری نحوه و زمان استفاده از آنها
• اعمال SVMs برای طبقه‌بندی باینری یا کلاس‌های K > 2 
• تحلیل نقاط قوت و ضعف شبکه‌های عصبی در مقایسه با سایر الگوریتم‌های یادگیری ماشین، مانند SVMs

توضیحات دوره

دوره «درختان، SVM و یادگیری نظارت نشده» با هدف ارائه‌ اصول قوی به متخصصان فعال در زمینه‌ ماشین‌های بردار پشتیبان، شبکه‌های عصبی، درختان تصمیم‌گیری و XG boost طراحی شده است. از طریق آموزش‌های عمیق و تجربه‌ عملی، یاد می‌گیرید که چگونه مدل‌های پیش‌بینانه قدرتمند را با استفاده از این تکنیک‌ها بسازید و مزایا و معایب هر یک را درک کنید. این دوره همچنین نحوه و زمان اعمال آن‌ها در سناریوهای مختلف، از جمله طبقه‌بندی باینری و کلاس‌های K > 2 را پوشش می‌دهد. علاوه بر این، شما در ایجاد نمایش‌های داده از طریق PCA و خوشه‌بندی، تجربه‌ ارزشمندی به دست خواهید آورد. با تمرکز بر کاربردهای عملی و واقعی، این دوره برای کسی است که به دنبال ارتقای مهارت‌های خود یا ورود به زمینه‌ علم داده است، دارایی ارزشمندی می‌باشد.

این دوره می‌تواند به عنوان اعتبار دانشگاهی بخشی از مدرک کارشناسی ارشد علم داده (MS-DS) دانشگاه کلرادو بولدر که در پلتفرم Coursera ارائه می‌شود، اخذ گردد. MS-DS یک مدرک میان‌رشته‌ای است که اعضای هیئت علمی از دپارتمان‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایر دپارتمان‌های دانشگاه کلرادو بولدر را گردهم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند پذیرش، MS-DS برای افرادی با رشته‌های تحصیلی متنوع در مقطع کارشناسی و یا تجربه‌ حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است.