مطالب پیشنهادی از سراسر وب

آماده سازی داده برای مدل سازی با scikit-learn

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

حتی با افزایش روز افزودن تعداد فریمورک ها و کتابخانه های یادگیری ماشینی، scikit-learn به راحتی محبوبیت خود را حفظ کرده است. scikit-learn موارد رایج در یادگیری ماشینی - خوشه بندی، طبقه بندی، کاهش ابعاد و رگرسیون - را فوق العاده آسان می کند. شما در این دوره، این توانایی را بدست خواهید آورد که داده ها را به طور مناسب پیش پردازش کنید، outliers را شناسایی کنید و kernel approximations را انجام دهید. ابتدا یاد خواهید گرفت که چگونه تکنیک های پیش پردازش مانند استاندارد سازی و مقیاس گذاری به بهبود تاثیرگذاری الگوریتم های یادگیری ماشینی کمک می کنند.

سپس، خواهید فهمید که کشف novelty و outlier چگونه در scikit-learn پیاده سازی شده است. سپس، مجموعه مراحل معمول لازم برای کار با داده های تصویری و متنی در یادگیری دقیق را درک خواهید کرد. در پایان، با استفاده از تبدیلات ضمنی و صریح کرنل برای تبدیل داده ها به ابعاد بالاتر، دانش خود را تکمیل می کنید. پس از پایان این دوره، مهارت و دانش لازم را خواهید داشت تا روش صحیح پیش پردازش داده ها را برای موارد مورد استفاده خود شناسایی کرده و با استفاده از تکنیک های قوی از نظر تئوری، outlier را کشف کنید.

بررسی دوره

آیا این نوشته را دوست داشتید؟
Pluralsight Preparing Data for Modeling with scikit-learn Author:Janani Ravi Duration:3:40:33 Level:Advanced

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, Preparing Data for Modeling with scikit-learn, you will gain the ability to appropriately pre-process data, identify outliers and apply kernel approximations. First, you will learn how pre-processing techniques such as standardization and scaling help improve the efficacy of ML algorithms. Next, you will discover how novelty and outlier detection is implemented in scikit-learn. Then, you will understand the typical set of steps needed to work with both text and image data in scikit-learn. Finally, you will round out your knowledge by applying implicit and explicit kernel transformations to transform data into higher dimensions. When you’re finished with this course, you will have the skills and knowledge to identify the correct data pre-processing technique for your use-case and detect outliers using theoretically robust techniques.

پیشنهاد آموزش مرتبط در فرادرس