پیشنهاد فرادرس

آموزش یادگیری ماشینی تحت نظارت با پایتون

دسته بندی ها: آموزش پایتون (Python) ، آموزش های Packtpub ، هوش مصنوعی ، یادگیری ماشینی (Machine Learning)

یادگیری ماشینی تحت نظارت در صنایع مختلفی از جمله بخش های مالی، تبلیغات آنلاین و تجزیه و تحلیل استفاده می شود. یادگیری تحت نظارت به شما اجازه می دهد تا سیستم خود را برای پیش بینی قیمت گذاری، تنظیمات کمپین، توصیه های مشتری، و خیلی بیشتر آموزش دهید. در این دوره با پیاده سازی و تفاوت های بسیاری از الگوریتم های یادگیری ماشینی تحت نظارت، تفاوت یادگیری ماشین تحت نظارت و بدون نظارت، مدل های پارامتری مانند رگرسیون خطی و منطقی، روش های غیر پارامتری مانند درخت تصمیم گیری و تکنیک های خوشه بندی مختلف برای تسهیل تصمیم گیری و پیش بینی ها، شبکه های عصبی و انتقال یادگیری و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • راه اندازی محیط یادگیری ماشینی
  • یادگیری تحت نظارت
  • Hill Climbing و Loss Functions
  • ارزیابی مدل و تقسیم داده ها
  • پیاده سازی مدل های پارامتری
  • مقدمه ای بر مدل های پارامتری و رگرسیون خطی
  • پیاده سازی رگرسیون خطی از ابتدا
  • مقدمه ای بر مدل های رگرسیون منطقی
  • پارامترهای مدل -Pros / Cons
  • کار با مدل های غیر پارامتری
  • مقدمه ای بر مدل های غیر پارامتری و درختان تصمیم گیری
  • درختان تصمیم گیری
  • مدل های غیر پارامتریک -Pros / Cons
  • موضوعات پیشرفته در ML تحت نظارت
  • شبکه عصبی و یادگیری عمیق
  • شبکه های عصبی
  • و غیره
به این نوشته امتیاز دهید 1 2 3 4 5 بدون امتیاز
Hands-on Supervised Machine Learning with Python [Video] Publisher:Packtpub Author:Taylor Smith Duration:3 hours 6 minutes

Teach your machine to think for itself!
Supervised machine learning is used in a wide range of industries across sectors such as finance, online advertising, and analytics, and it’s here to stay. Supervised learning allows you to train your system to make pricing predictions, campaign adjustments, customer recommendations, and much more, while allowing the system to self-adjust and make decisions on its own. This makes it crucial to know how a machine “learns” under the hood.
This course will guide you through the implementation and nuances of many popular supervised machine learning algorithms while facilitating a deep understanding along the way. You’ll embark on this journey with a quick course overview and see how supervised machine learning differs from unsupervised learning.
Next, we’ll explore parametric models such as linear and logistic regression, non-parametric methods such as decision trees, and various clustering techniques to facilitate decision-making and predictions. As we proceed, you’ll work hands-on with recommender systems, which are widely used by online companies to increase user interaction and enrich shopping potential. Finally, you’ll wrap up with a brief foray into neural networks and transfer learning.
By the end of the video course, you’ll be equipped with hands-on techniques to gain the practical know-how needed to quickly and powerfully apply these algorithms to new problems.
All the codes of the course are uploaded on GitHub: https://bit.ly/2nR4aMU
Style and Approach
This course is a step-by-step guide to help you understand complex mathematical concepts in a practical fashion. Though solutions may exist (i.e., implementations in various other Python libraries), this course adheres to a “learning by doing” pattern. We won’t implement everything there is to learn, and we certainly won’t be able to write everything in its most flexible or efficient form (i.e., no C or C++) in the time we have, but you’ll walk away with a great understanding and foundation of how things work under the hood.
Most algorithms we cover will be introduced first by theory and math slides, then by practical implementation and example. By the end, the hope is that you understand these algorithms in a thorough fashion.
Released: Wednesday, August 29, 2018
First Step Towards Supervised Learning
The Course Overview
Getting Our Machine Learning Environment Setup
Supervised Learning
Hill Climbing and Loss Functions
Model Evaluation and Data Splitting
Implementing Parametric Models
Introduction to Parametric Models and Linear Regression
Implementing Linear Regression from Scratch
Introduction to Logistic Regression Models
Implementing Logistic Regression from Scratch
Parametric Models –Pros/Cons
Working with Non-Parametric Models
The Bias/Variance Trade-off
Introduction to Non-Parametric Models and Decision Trees
Decision Trees
Implementing a Decision Tree from Scratch
Various Clustering Methods
Implementing K-Nearest Neighbors from Scratch
Non-Parametric Models –Pros/Cons
Advanced Topics in Supervised ML
Recommender Systems and an Introduction to Collaborative Filtering
Matrix Factorization
Matrix Factorization in Python
Content-Based Filtering
Neural Networks and Deep Learning
Neural Networks
Use Transfer Learning

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 589.0MB Packtpub Hands-on Supervised Machine Learning with Python [Video]_git.ir.rar