مطالب پیشنهادی از سراسر وب

آموزش طراحی یک مدل یادگیری ماشینی

دسته بندی ها: آموزش یادگیری ماشینی (Machine Learning) ، آموزش هوش مصنوعی (AI) ، آموزش های پلورال سایت (Pluralsight)

از آنجا که یادگیری ماشینی روز به روز محبوب تر می شود، دانستن دقیق نحوه ساخت چارچوب یک مدل یادگیری ماشینی به شیوه ای متناسب با مشکلی که می خواهیم حل کنیم و داده هایی که در دسترس داریم، اهمیت بیشتری پیدا می کند.
شما در این دوره، توانایی ساخت چارچوبی مناسب برای استفاده از موارد استفاده خود را به دست می آورید و سپس روش مناسبی برای مدل سازی آن انتخاب می کنید.
ابتدا تفاوت سیستم های مبتنی بر قانون و سیستم های یادگیری ماشینی را یاد می گیرید و با نحوه عملکرد مدل های یادگیری عمیق و سنتی آشنا می شوید. سپس، تفاوت تکنیک های یادگیری تقویت شده، نظارت شده و بدون نظارت را از یکدیگر بررسی خواهید کرد. می آموزید که چگونه تکنیک های یادگیری کلاسیک نظارت شده نظیر رگرسیون و طبقه بندی، تکنیک های کلاسیک نظارت نشده نظیر خوشه بندی و کاهش ابعاد را تکمیل می کنند. سپس فرضیات و نتایج این چهار کلاس تکنیک و چگونگی ارزیابی راهکارها را درک خواهید کرد.
در پایان، می توانید دانش خود را با طراحی جریان های کاری end-to-end یادگیری ماشینی برای مشکلات ابتدایی یادگیری ماشینی، یادگیری ensemble و شبکه های عصبی، تکمیل کنید.
زمانی که این دوره را به پایان برسانید، مهارت و دانش لازم برای شناسایی راه اندازی صحیح مشکل یادگیری ماشین و تکنیک راهکار مناسب برای موارد استفاده خود را خواهید داشت.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Designing a Machine Learning Model Author:Janani Ravi Duration:3:24:44 Level:Intermediate

As Machine Learning explodes in popularity, it is becoming ever more important to know precisely how to frame a machine learning model in a manner appropriate to the problem we are trying to solve, and the data that we have available.
In this course, Designing a Machine Learning Model you will gain the ability to appropriately frame your use-case and then choose the right solution technique to model it.
First, you will learn how rule-based systems and ML systems differ and how traditional and deep learning models work. Next, you will discover how supervised, unsupervised, and reinforcement learning techniques differ from each other. You will learn how classic supervised learning techniques such as regression and classification complement classic unsupervised techniques such as clustering and dimensionality reduction. You will then understand the assumptions and outcomes of these four classes of techniques and how solutions can be evaluated.
Finally, you will round out your knowledge by designing end-to-end ML workflows for canonical ML problems, ensemble learning, and neural networks.
When you’re finished with this course, you will have the skills and knowledge to identify the correct machine learning problem setup, and the appropriate solution technique for your use-case.

پیشنهاد آموزش مرتبط در فرادرس