انتخاب ویژگی برای یادگیری ماشین

آنچه یاد خواهید گرفت:

• یادگیری درباره متدهای فیلتر، تعبیه شده و wrapper برای انتخاب ویژگی
• درک متدهای هیبریدی برای انتخاب ویژگی
• انتخاب ویژگی‌ها با لاسو و درختان تصمیم‌گیری
• پیاده‌سازی متدهای مختلف انتخاب ویژگی با پایتون
• یاد بگیرید چرا ویژگی‌های کمتر، بهتر است.
• کاهش فضای ویژگی در یک مجموعه‌داده
• ساخت مدل‌های یادگیری ماشین ساده‌تر، سریع‌تر و قابل اعتمادتر
• تحلیل و درک ویژگی‌های انتخاب‌شده
• کشف تکنیک‌های انتخاب ویژگی مورد استفاده در مسابقات علم داده

پیش‌نیازهای دوره

• نصب پایتون
• نصب Jupyter notebook
• مهارت‌های کدنویسی پایتون
• کمی تجربه در Numpy و پانداس
• آشنایی با الگوریتم‌های یادگیری ماشین
• آشنایی با scikit-learn

توضیحات دوره

به دوره‌ی انتخاب ویژگی برای یادگیری ماشین، جامع‌ترین دوره آنلاین در زمینه انتخاب ویژگی خوش آمدید.

در این دوره، متدهای انتخاب متغیرها در مجموعه‌ی داده خود را یاد خواهید گرفت و مدل‌های یادگیری ماشین ساده‌تر، سریع‌تر، قابل اعتمادتر و قابل تفسیرتر را ایجاد خواهید کرد.

این دوره برای چه کسی است؟

شما اولین قدم‌های خود را در علم داده برداشته‌اید، با مدل‌های رایج یادگیری ماشین آشنا هستید و احتمالاً چند مدل مبتنی بر رگرسیون خطی یا درخت تصمیم‌گیری ساخته‌اید. با تکنیک‌های پیش‌پردازش داده مانند حذف داده گمشده، تبدیل متغیرها و کدگذاری متغیرهای دسته‌بندی آشنا هستید. در این مرحله، احتمالاً متوجه شده‌اید که بسیاری از مجموعه داده‌ها حاوی تعداد زیادی ویژگی هستند که برخی از آن‌ها یکسان یا بسیار مشابه هستند، برخی از آن‌ها اصلا پیش‌بینی‌کننده نیستند و در مورد بقیه نمی‌توان نظر داد.

شما به این فکر می‌کنید چگونه می‌توانید مهم‌ترین ویژگی‌ها را پیدا کنید. کدام ویژگی‌ها برای نگه‌داشتن مناسب‌اند و کدام‌ها را می‌توانید کنار بگذارید؟ همچنین به این فکر می‌کنید چگونه می‌توانید این متدها را به‌طور حرفه‌ای کدنویسی کنید. احتمالاً در جستجوی آنلاین خود متوجه شده‌اید که اطلاعات زیادی در مورد انتخاب ویژگی وجود ندارد. بنابراین شروع به تعجب میکنید، واقعاً شرکت‌های فناوری چگونه این کار را انجام می‌دهند؟

این دوره به شما کمک می‌کند! این آموزش جامع‌ترین دوره آنلاین در انتخاب متغیر است. شما با تنوع زیادی از متدهای انتخاب ویژگی که در سراسر جهان در سازمان‌ها و مسابقات علم داده استفاده می‌شود، آشنا خواهید شد تا پیش‌بینی‌کننده‌ترین ویژگی‌ها را انتخاب کنید.

آنچه یاد خواهید گرفت:

مدرس مجموعه‌ای فوق‌العاده از تکنیک‌های انتخاب ویژگی را بر اساس مقالات علمی، مسابقات علم داده و همچنین تجربه شخصی‌اش به عنوان یک دانشمند داده گردآوری کرده است.

به‌ویژه، شما یاد خواهید گرفت:

• چگونه ویژگی‌های با واریانس پایین را حذف کنیم؟
• چگونه ویژگی‌های اضافی را شناسایی کنیم؟
• چگونه ویژگی‌ها را بر اساس آزمون‌های آماری انتخاب کنیم؟
• چگونه ویژگی‌ها را بر اساس تغییرات عملکرد مدل انتخاب کنیم؟
• چگونه ویژگی‌های پیش‌بینی‌کننده را بر اساس اهمیت تخصیص یافته توسط مدل‌ها پیدا کنیم؟
• چگونه فرآیندها را به‌طور زیبا و به‌صورت حرفه‌ای کدنویسی کنیم؟
• چگونه از قدرت کتابخانه‌های موجود در پایتون برای انتخاب ویژگی استفاده کنیم؟

در طول دوره، شما تکنیک‌های متعددی را برای هر یک از وظایف ذکر شده یاد خواهید گرفت و نحوه پیاده‌سازی این تکنیک‌ها به‌صورت زیبا، کارآمد و حرفه‌ای با پایتون، پانداس، Scikit-learn و mlxtend را خواهید آموخت.

در پایان دوره، شما ابزارهای متنوعی برای انتخاب و مقایسه زیرمجموعه‌های مختلف ویژگی و شناسایی بهترین‌ها برای ایجاد ساده‌ترین، اما پیش‌بینی‌کننده‌ترین مدل یادگیری ماشین خواهید داشت. این به شما اجازه می‌دهد زمان لازم برای پیاده‌سازی مدل‌های پیش‌بینی‌تان را به حداقل برسانید.

این دوره کامل انتخاب ویژگی شامل حدود 70 درس است که نزدیک به 8 ساعت ویدئو را پوشش می‌دهد و تمام موضوعات شامل مثال‌های عملی پایتون هستند که می‌توانید برای ارجاع و تمرین استفاده کنید و در پروژه‌های خود مجددا استفاده کنید.

علاوه بر این، این دوره به طور مرتب بروز می‌شود تا با نسخه‌های جدید کتابخانه‌های پایتون همگام شود و تکنیک‌های جدید بعد از معرفی اضافه می‌شود.

پس منتظر چه هستید؟ امروز در این دوره شرکت کنید، قدرت انتخاب ویژگی را در آغوش بگیرید و مدل‌های یادگیری ماشین ساده‌تر، سریع‌تر و قابل اعتمادتر بسازید.

این دوره برای چه کسانی مناسب است؟

• دانشمندانداده مبتدی که می‌خواهند یاد بگیرند چگونه متغیرها را برای یادگیری ماشین انتخاب کنند.
• دانشمندان داده سطح متوسط که می‌خواهند تجربه خود را در انتخاب ویژگی برای یادگیری ماشین افزایش دهند.
• دانشمندان داده پیشرفته که می‌خواهند متدهای جایگزین را برای انتخاب ویژگی کشف کنند.
• مهندسان نرم‌افزار و دانشگاهیانی که وارد علم داده می‌شوند.
• تحلیل‌گران داده که می‌خواهند مهارت‌های خود را در علم داده بهبود دهند.