یادگیری تحت نظارت - روش‌های سنتی

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

دانش عمیقی از یادگیری تحت نظارت کسب خواهید کرد.
به طور جامع به مدل‌سازی پیش‌بینی می‌پردازیم.
با مدل‌های طبقه‌بندی، مدل‌های یادگیری ماشین سطحی، مدل‌های جمعی، مدل‌های رگرسیون و تکنیک جعبه سیاه آشنا می‌شویم.
همچنین با تقسیم‌بندی‌های هر روش مدل‌سازی آشنا می‌شویم.

توضیحات دوره

داده‌کاوی، یادگیری تحت نظارت و مدل‌های سنتی یادگیری ماشین را بررسی کنید.

یادگیری تحت نظارت از تقسیمات فرعی ساخت مدل در CRISP-ML(Q) است.

این روش، نوعی مدل‌سازی پیش‌بینی است که شامل مدل‌های طبقه‌بندی، مدل‌های یادگیری ماشین سطحی، مدل‌های جمعی، مدل‌های رگرسیون و تکنیک جعبه سیاه می‌باشد. هر تکنیک مدل‌سازی، تقسیم‌بندی‌های متعددی دارد.

ما به طور کامل احتمال، احتمال مشترک، قانون بیز و بیز ساده را با یک مورد استفاده بررسی می‌کنیم.

بیز ساده برای ویژگی‌های عددی بزرگ مناسب نیست، چون این ویژگی‌ها باید با فرآیند دسته‌بندی یا binning به ویژگی‌های دسته‌ای تبدیل شوند.

این الگوریتم امکان حذف ورودی‌های مقدار گمشده را فراهم می‌کند. فرض می‌کند که کلاس‌ها مستقل از هم هستند.

احتمال برای کلمات جدید دیده نشده در داده آموزش صفر است که باعث صفر شدن کل محاسبه می‌شود.

برای مقابله با این مشکل از Laplace Estimator استفاده می‌کنیم. این الگوریتم توسط ریاضیدان فرانسوی Pierre-Simon Laplace ساخته شده است.

مقدار پیش‌فرض Laplace estimator عدد 1 است، ولی می‌توان هر مقداری را به کار برد.

سپس Nearest Neighbors با مقادیر 1، 2، 3 و 7 را بررسی می‌کنیم. کمترین مقدار k برابر 1 و بیشترین برابر تعداد مشاهدات است. k یک ابرپارامتر است. سپس می‌آموزیم مدل بیس لاین چیست که دقت آن برابر با کلاس اکثریت است و برای مدل‌های پیش‌بینی دقت باید بالای 80 درصد باشد. به علاوه به مبادله بایاس و واریانس نیز می‌پردازیم.

در پایان کاربردها و اهمیت k-NN را بررسی می‌کنیم.

الگوریتم درخت تصمیم‌گیری، الگوریتم مبتنی بر قانون است. ابتدا می‌آموزیم درخت تصمیم‌گیری چیست، سپس نحوه ساخت آن و الگوریتم Greedy را بررسی می‌کنیم.

درخت تصمیم‌گیری ساختاری شبیه درخت دارد که هر گره داخلی نمایانگر یک ویژگی است، هر برنچ نتیجه بهترین انتخاب و هر گره برگ نمایانگر یک برچسب کلاس می‌باشد.

سپس رویکرد Greedy، آنتروپی و کسب اطلاعات را تحلیل می‌کنیم.

این دوره برای چه کسانی مناسب است؟