مطالب پیشنهادی از سراسر وب

ساخت مدل های طبقه بندی با scikit-learn

دسته بندی ها: آموزش Scikit-Learn ، آموزش پایتون (Python) ، آموزش هوش مصنوعی (AI) ، آموزش های پلورال سایت (Pluralsight) ، آموزش یادگیری ماشینی (Machine Learning)

شاید اساسی ترین پیشرفت در یادگیری ماشینی ناشی از استفاده از یادگیری ماشینی در مشکلات طبقه بندی باشد.
شما در این دوره، توانایی برشمردن انواع مختلف الگوریتم های طبقه بندی و پیاده سازی صحیح آن ها را در scikit-learn به دست خواهید آورد.
ابتدا می آموزید که طبقه بندی به دنبال چه چیزی است و چگونه می توان طبقه بندی کننده ها را با استفاده از منحنی های دقت، صحت، فراخوانی و ROC ارزیابی کرد.
سپس، خواهید فهمید که چگونه تکنیک های مختلف طبقه بندی مانند رگرسیون لجستیک و طبقه بندی Naive Bayes را پیاده سازی کنید.
سپس فرم های پیشرفته تر دیگر طبقه بندی را درک خواهید کرد، از جمله مواردی که از ماشین های بردار پشتیبانی، درخت های تصمیم گیری و نزول گرادیانت تصادفی استفاده می کنند.
در پایان، با درک هایپر پارامترهایی که این مدل های مختلف طبقه بندی دارند و نحوه بهینه سازی آن ها، دوره را تکمیل می کنید.
وقتی این دوره را به پایان برسانید، مهارت و دانش لازم برای انتخاب الگوریتم طبقه بندی مناسب را بر اساس مسئله ای که می خواهید حل کنید و همچنین پیاده سازی صحیح آن با استفاده از scikit-learn را خواهید داشت.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Building Classification Models with scikit-learn Author:Janani Ravi Duration:2:33:55 Level:Beginner

Perhaps the most ground-breaking advances in machine learning have come from applying machine learning to classification problems.
In this course, Building Classification Models with scikit-learn you will gain the ability to enumerate the different types of classification algorithms and correctly implement them in scikit-learn.
First, you will learn what classification seeks to achieve, and how to evaluate classifiers using accuracy, precision, recall, and ROC curves.
Next, you will discover how to implement various classification techniques such as logistic regression, and Naive Bayes classification.
You will then understand other more advanced forms of classification, including those using Support Vector Machines, Decision Trees and Stochastic Gradient Descent.
Finally, you will round out the course by understanding the hyperparameters that these various classification models possess, and how these can be optimized.
When you’re finished with this course, you will have the skills and knowledge to select the correct classification algorithm based on the problem you are trying to solve, and also implement it correctly using scikit-learn.

پیشنهاد آموزش مرتبط در فرادرس