پیشنهاد فرادرس

آموزش عیب یابی یادگیری ماشینی پایتون

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

فرض کنید شما دانشمند داده هستید. روزانه قصد دارید داده های زیادی را برای اعمال آخرین مدل ها جهت به دست آوردن بینش جدید استفاده کنید، اما به نظر می رسد که با موانع زیادی روبه رو می شوید. همکارانتان برای تبدیل داده شرکت به شما تکیه می کنند چه کار میکنید؟ عیب یابی یادگیری ماشینی پایتون پاسخ سوال می باشد. ما به طور سیستماتیک درباره مشکلات رایج یادگیری ماشینی که به صورت آنلاین در اطراف data wrangling مستندسازی شده اند و اشکال زدایی مدل هایی مانند جنگل های تصادفی و SVM ها، و نمایش نتایج حیرت انگیز تحقیق می کنیم. از آمار  Overflow Stack، Medium و GitHub استفاده می کنیم. مهمترین مسائل را مانند بازیابی مهمترین ویژگی های رگرسیون و توضیح نتایج خود پس از خوشه بندی و راه حل های مربوطه پیدا می کنیم. این مطالعات موردی را در یک فرمت مسئله-راه حل ارائه می دهیم.

سرفصل:

  • معرفی دوره
  • تقسیم مجموعه داده های شما برای آموزش، تست و اعتبارسنجی
  • مقاوم سازی مدل های سخت با ذخیره آن در دیسک
  • محاسبه فرکانس های ورد در ol' Python
  • تبدیل ویژگی های متغیر طول به بردارهای One-Hot
  • رگرسیون شکست و طبقه بندی مشکلات در scikit-learn
  • پیدا کردن ویژگی های مهم در Classifier شما
  • پیش بینی اهداف چندگانه با همان مجموعه داده
  • بازیابی بهترین Estimators بعد از جستجوی شبکه
  • Pandas Data Frame با Simple Statsmodels OLS
  • عیب یابی مدل های پیشرفته مانند جنگل های تصادفی و SVM ها
  • استخراج قوانین درخت تصمیم گیری از scikit-learn
  • طبقه بندی با SVM هنگامی که داده های شما دارای کلاس های نامتعادل است
  • خوشه بندی اسناد متن با scikit-learn K-means
  • حل مسائل مصورسازی پیش بینی با Matplotlib
  • طراحی یک درخت تصمیم گیری در scikit-learn
  • و غیره
آیا این نوشته را دوست داشتید؟
Troubleshooting Python Machine Learning [Video] Publisher:Packtpub Author:Rudy Lai Duration:3 hours and 17 minutes

Practical and unique solutions to common Machine Learning problems that you face. Avoid any roadblocks while working with the Python data science ecosystem.
You are a data scientist. Every day, you stare at reams of data trying to apply the latest and brightest of models to uncover new insights, but there seems to be an endless supply of obstacles. Your colleagues depend on you to monetize your firm's data - and the clock is ticking. What do you do?
Troubleshooting Python Machine Learning is the answer. We have systematically researched common ML problems documented online around data wrangling, debugging models such as Random Forests and SVMs, and visualizing tricky results. We leverage statistics from Stack Overflow, Medium, and GitHub to get a cross-section of what data scientists struggle with. We have collated for you the top issues, such as retrieving the most important regression features and explaining your results after clustering, and their corresponding solutions. We present these case studies in a problem-solution format, making it very easy for you to incorporate this into your knowledge.
Taking this course will help you to precisely debug your models and research pipelines, so you can focus on pitching new ideas and not fixing old bugs.
All the code and supporting files are available on GitHub at https://github.com/PacktPublishing/Troubleshooting-Python-Machine-Learning
Style and Approach
The course is full of hands-on instructions, interesting and illustrative visualizations, and, clear explanations from a data scientist. It is packed full of useful tips and relevant advice. Throughout the course, we maintain a focus on practicality and getting things done, not fancy mathematical theory.
Released: Friday, April 27, 2018
Eliminate Common Data Wrangling Problems in Pandas and scikit-learn
The Course Overview
Splitting Your Datasets for Train, Test, and Validate
Persist Your Hard Earned Models by Saving Them to Disk
Calculate Word Frequencies Efficiently in Good ol' Python
Transform Your Variable Length Features into One-Hot Vectors
Defeat Regression and Classification Difficulties in scikit-learn
Finding the Most Important Features in Your Classifier
Predicting Multiple Targets with the Same Dataset
Retrieving the Best Estimators after Grid Search
Regress on Your Pandas Data Frame with Simple Statsmodels OLS
roubleshooting Advanced Models like Random Forests and SVMs
Extracting Decision Tree Rules from scikit-learn
Finding Out Which Features Are Important in a Random Forest Model
Classifying with SVMs When Your Data Has Unbalanced Classes
Computing True/False Positives/Negatives after in scikit-learn
Wrangling with the Unsupervised Learning and Curse of Dimensionality
Labelling Dimensions with Original Feature Names after PCA
Clustering Text Documents with scikit-learn K-means
Listing Word Frequency in a Corpus Using Only scikit-learn
Polynomial Kernel Regression Using Pipelines
Solving Prediction Visualization Issues with Matplotlib
Visualize Outputs Over Two-Dimensions Using NumPy's Meshgrid
Drawing Out a Decision Tree Trained in scikit-learn
Clarify Your Histogram by Labelling Each Bin
Centralizing Your Color Legend When You Have Multiple Subplots

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 374.0MB Packtpub Troubleshooting Python Machine Learning [Video]_git.ir.rar