مطالب پیشنهادی از سراسر وب

طراحی آزمایشی برای تحلیل داده

دسته بندی ها: تحلیل داده (Data Analysis) ، آموزش های پلورال سایت (Pluralsight) ، آموزش آژور (Azure)

ارائه دیدگاه های واضح، روشن و عملی برای مدیران اجرایی، این روزها به نقش فزاینده مهم دانشمندان و متخصصان داده تبدیل شده است. اکنون، یک دیدگاه باید یک فرضیه را نشان دهد که به طور ایده آل با داده ها پشتیبانی می شود. شما در این دوره، توانایی ساخت چنین فرضیه هایی از داده ها و استفاده از فریمورک های خیلی دقیق برای تست درست بودن آن ها را به دست خواهید آورد.

ابتدا یاد خواهید گرفت که چگونه آمار استنباطی و تست فرضیه ها اساس مدل سازی داده ها و یادگیری ماشینی را شکل می دهند. سپس، خواهید فهمید که فرآیند ساخت مدل های یادگیری ماشینی چگونه به طراحی یک آزمایش وابسته است و چگونه تکنیک های یادگیری و اعتبارسنجی به ارزیابی دقیق نتایج چنین آزمایشاتی کمک می کنند. سپس، دوره را با مطالعه اشکال مختلف اعتبارسنجی متقابل، از جمله تکنیک های منفرد و تکراری برای برآمدن از عهده داده های گروهی و مستقل، توزیع شده و یکسان، تکمیل می کنید.

در پایان، همچنین یاد خواهید گرفت که چگونه می توانید با استفاده از این تکنیک ها با تنظیم هایپر پارامتر، مدل های خود را اصلاح کنید. پس از به پایان رساندن این دوره، مهارت و دانش لازم برای ساخت و ارزیابی مدل ها، به ویژه مدل های یادگیری ماشین، با استفاده از فریمورک های دقیق اعتبارسنجی متقابل و تنظیم هایپر پارامتر را خواهید داشت.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Experimental Design for Data Analysis Author:Janani Ravi Duration:2:44:51 Level:Intermediate

Providing crisp, clear, actionable points-of-view to senior executives is becoming an increasingly important role of data scientists and data professionals these days. Now, a point-of-view must represent a hypothesis, ideally backed by data. In this course, Experimental Design for Data Analysis, you will gain the ability to construct such hypotheses from data and use rigorous frameworks to test whether they hold true. First, you will learn how inferential statistics and hypothesis testing form the basis of data modeling and machine learning. Next, you will discover how the process of building machine learning models is akin to that of designing an experiment and how training and validation techniques help rigorously evaluate the results of such experiments. Then, you will round out the course by studying various forms of cross-validation, including both singular and iterative techniques to cope with independent, identically distributed data and grouped data. Finally, you will also learn how you can refine your models using these techniques with hyperparameter tuning. When you’re finished with this course, you will have the skills and knowledge to build and evaluate models, specifically including machine learning models, using rigorous cross-validation frameworks and hyperparameter tuning.

پیشنهاد آموزش مرتبط در فرادرس