مطالب پیشنهادی از سراسر وب

یادگیری ماشین کاربردی: الگوریتم ها

دسته بندی ها: آموزش یادگیری ماشینی (Machine Learning) ، آموزش هوش مصنوعی (AI) ، الگوریتم و فلوچارت ، آموزش های لینکدین (LinkedIn)

در اولین قسمت سری های یادگیری ماشین های کاربردی مدرس Derek Jedamski مفاهیم پایه را پوشش داد، و دستورالعمل کلی را برای شما ارائه داد تا بتوانید هرگونه مشکل در یادگیری ماشینی را در یک شیوه کاملا عملی برطرف کنید. در این دوره - قسمت دوم و پایانی سری - مدرس با بررسی انواع الگوریتم های مختلف، از رگرسیون منطقی گرفته تا تقویت گرادیانت و همچنین نشان دادن نحوه تنظیم ساختاری که شما را در انتخاب بهترین ها برای حل مشکل راهنمایی می کند، بر روی معماری قبلی بنا می کند. هر الگوریتم جوانب مثبت و منفی خود را دارد و هر کدام را برای انواع خاصی از مشکلات، انتخاب اول می کند. دانستن آنچه که هر الگوریتم را هدایت می کند و چه مزایا و اشکالاتی دارد، می تواند به عنوان یک دانشمند داده، مزیت رقابتی قابل توجهی به شما بدهد.
 

نتیجه گیری

فایل های تمرین Ex_Files_Machine_Learning_Algorithms.zip
آیا این نوشته را دوست داشتید؟
Linkedin Applied Machine Learning: Algorithms Author:Derek Jedamski Duration:2:24:02 Level:BEGINNER

In the first installment of the <i>Applied Machine Learning</i> series, instructor Derek Jedamski covered foundational concepts, providing you with a general recipe to follow to attack any machine learning problem in a pragmatic, thorough manner. In this course—the second and final installment in the series—Derek builds on top of that architecture by exploring a variety of algorithms, from logistic regression to gradient boosting, and showing how to set a structure that guides you through picking the best one for the problem at hand. Each algorithm has its pros and cons, making each one the preferred choice for certain types of problems. Understanding what actually drives each algorithm, as well as their benefits and drawbacks, can give you a significant competitive advantage as a data scientist.

پیشنهاد آموزش مرتبط در فرادرس