مطالب پیشنهادی از سراسر وب

ساخت راهکارهای scikit-learn

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

حتی با افزایش روزانه تعداد فریمورک ها و کتابخانه های یادگیری ماشینی، scikit-learn با سهولت محبوبیت خود را حفظ می کند. scikit-learn موارد استفاده معمول در یادگیری ماشین - خوشه بندی، طبقه بندی، کاهش ابعاد و رگرسیون - را فوق العاده آسان می کند. شما در این دوره، توانایی شناسایی موقعیت هایی که scikit-learn دقیقاً ابزاری است که به دنبال آن می گردید و همچنین شرایطی که به چیز دیگری نیاز دارید را به دست خواهید آورد. ابتدا یاد خواهید گرفت که چگونه جایگاه scikit-learn، در مقابل یادگیری عمیق یا ایجاد شبکه های عصبی، یادگیری ماشینی سنتی است.

سپس، خواهید فهمید که چگونه به صورت یکپارچه با کتابخانه های اصلی Python یکپارچه سازی می شود. سپس، مجموعه معمول مراحل مورد نیاز برای کار با مدل ها را در scikit-learn بررسی خواهید کرد. در پایان، با ساختن اولین مدل های رگرسیون و طبقه بندی scikit-learn، دانش خود را تکمیل می کنید. پس از اتمام این دوره، مهارت و دانش لازم برای شناسایی دقیق موقعیت هایی را که scikit-learn باید ابزار انتخاب شما باشد و همچنین چگونگی استفاده بهتر از قابلیت های قدرتمند scikit-learn را خواهید داشت.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Building Your First scikit-learn Solution Author:Janani Ravi Duration:2:07:18 Level:Beginner

Even as the number of machine learning frameworks and libraries increases on a daily basis, scikit-learn is retaining its popularity with ease. scikit-learn makes the common use cases in machine learning - clustering, classification, dimensionality reduction, and regression - incredibly easy. In this course, Building Your First scikit-learn Solution, you'll gain the ability to identify the situations where scikit-learn is exactly the tool you are looking for, and also those situations where you need something else. First, you'll learn how scikit-learn’s niche is traditional machine learning, as opposed to deep learning or building neural networks. Next, you'll discover how seamlessly it integrates with core Python libraries. Then, you'll explore the typical set of steps needed to work with models in scikit-learn. Finally, you'll round out your knowledge by building your first scikit-learn regression and classification models. When you’re finished with this course, you'll have the skills and knowledge to identify precisely the situations when scikit-learn ought to be your tool of choice, and also how best to leverage the formidable capabilities of scikit-learn.

پیشنهاد آموزش مرتبط در فرادرس