پیشنهاد فرادرس

آموزش پروژه محور یادگیری ماشینی تحت نظارت با R

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

در این دوره با استفاده از آخرین فن آوری های ارائه شده توسط زبان R مانند Rmarkdown و R-shiny، کشف و آماده سازی داده در R و RStudio،  آموزش، ارزیابی و بهبود عملکرد مدل، مفاهیم یادگیری ماشینی، پارادایم های یادگیری ماشینی و تکنیک های یادگیری ماشینی تحت نظارت آشنا می شوید.

سرفصل:

  • معرفی دوره
  • مزایای استفاده از مدل های یادگیری ماشینی
  • R برای یادگیری ماشینی
  • انتخاب یک الگوریتم یادگیری ماشینی
  • اکتشاف داده ها - نمونه آنلاین نمونه خرده فروشی
  • بررسی خوشه بندی K-Means
  • مدل خوشه بندی K-Means
  • آماده سازی داده ها با استفاده از مجموعه داده آنلاین خرده فروشی
  • تشخیص مدل - چگونه می توانم K را پیدا کنم؟
  • آموزش مدل شما
  • ارزیابی و بهبود مدل شما
  • تحلیل مولفه اساسی (PCA)
  • تحلیل مولفه اساسی (PCA) چیست؟
  • پیاده سازی و مصورسازی ویژگی های PCA
  • پیاده سازی و مصورسازی PCA Individuals
  • ارزیابی PCA
  • الگو کاوی
  • تحلیل بازار سبد برای داده های تراکنش
  • محاسبه مجموعه های آیتم
  • مصورسازی مجموعه های آیتم
به این نوشته امتیاز دهید 1 2 3 4 5 بدون امتیاز
Unsupervised Machine Learning Projects with R [Video] Publisher:Packtpub Author:Antoine Pissoort Duration:3 hours and 8 minutes

This course will give you the required knowledge and skills to build real-world machine learning projects with R.
Unsupervised Machine Learning Projects with R will help you build your knowledge and skills by guiding you in building machine learning projects with a practical approach and using the latest technologies provided by the R language such as Rmarkdown, R-shiny, and more. The areas this course addresses include effectively exploring and preparing data in R and RStudio and training, evaluating, and improving a model's performance (if needed). You will feel comfortable and confident after learning unsupervised and supervised Machine Learning algorithms.
In the first of the four sections comprising this course, we start by introducing you to concepts in Machine Learning, before then moving on to discuss projects in unsupervised Machine Learning. Next, we focus on two machine learning paradigms—K-Means Clustering and Principal Component Analysis—to grasp how they work and apply them to business Customer Segmentation (Market Segmentation Analysis). We finish the section by looking at the specific design aspects of Horizon 7 and how to approach a project, before finally looking at some example scenarios that will help you plan your own environment.All the work delivered into the R code script during the videos is available through nice html reports created by Rmarkdown.
By the end of the course, you will be able to train and improve real-world projects and models using unsupervised Machine Learning techniques
The code bundle for this video course is available at: https://github.com/PacktPublishing/Unsupervised-Machine-Learning-Projects-with-R
Style and Approach
Step by step practical approach to building real-world projects using unsupervised Machine Learning with R.
Released: Monday, April 30, 2018
Machine Learning Model in R
The Course Overview
The Benefits of Deploying Machine Learning Models
R for Machine Learning
Choosing a Machine Learning Algorithm
Data Exploration - Online Retail Dataset Sample
Exploring K-Means Clustering
K-Means Clustering Model
Data Preparation Using Online Retail Dataset
Model Diagnostics - How Do I Find K?
Training Your Model
Evaluating and Improving Your Model
Principal Component Analysis (PCA)
What Is Principal Component Analysis?
Implementing and Visualizing PCA Features
Implementing and Visualizing PCA Individuals
Evaluate Your PCA
Pattern Mining
Market Basket Analysis for Transactional Data
Computing Item Sets - Association Rules
Visualizing Item Sets

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 698.0MB Packtpub Unsupervised Machine Learning Projects with R [Video]_git.ir.rar