مطالب پیشنهادی از سراسر وب

آموزش کاهش پیچیدگی در داده ها

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

تکنیک های یادگیری ماشین در سال های اخیر به طور قابل توجهی قدرتمندتر شده اند، اما پیچیدگی بیش از حد در داده ها هنوز هم یک مشکل اساسی است. دلایل مختلفی برای این امر وجود دارد - متمایز کردن سیگنال از نویز با داده های پیچیده تر، دشوارتر می شود و همچنین خطرات ناشی از بیش برازش نیز افزایش می یابد. در پایان، هرچه یادگیری ماشینی مبتنی بر ابر محبوبیت بیشتری پیدا می کند، کاهش پیچیدگی در داده ها در یادگیری مقرون به صرفه تر، حیاتی می شود. در واقع راهکارهای یادگیری ماشینی مبتنی بر ابر می توانند بسیار گران باشند.
شما در این دوره، می آموزید که چگونه داده های موجود در مدل های یادگیری ماشین را بدون متوسل شدن به هیچ ترفند و میانبری، بدون به خطر انداختن کیفیت یا صحت، قابل کنترل تر و مهارپذیرتر کنید.
ابتدا، اهمیت زوجیت در داده ها را خواهید فهمید و مشکلات کار با داده های دارای ابعاد بیش از حد بالا را درک می کنید، که اغلب به آن ها مشقت بعدچندی گفته می شود.
سپس، با به کارگیری تکنیک های آماری صوتی برای یافتن یک زیر مجموعه از ویژگی های ورودی بر اساس محتوای اطلاعات آن ها و پیوند دادن به خروجی، خواهید فهمید که چگونه و چه وقت به انتخاب ویژگی متوسل شوید.
در پایان، نحوه استفاده از دو تکنیک پیشرفته - خوشه بندی و رمزگذاری خودکار را کشف خواهید کرد. هر دوی این ها اپلیکیشن های یادگیری بدون نظارت هستند که برای ساده سازی داده ها به عنوان یک پیش درآمد برای الگوریتم یادگیری نظارت شده استفاده می شوند. هر یک از آن ها اغلب به اجرای پیچیده ای مانند یادگیری عمیق با استفاده از شبکه های عصبی اعتماد می کنند.
وقتی این دوره را به پایان برسانید، مهارت و دانش لازم را در زمینه صدای مفهومی و کاهش پیچیدگی مورد نیاز برای کاهش پیچیدگی داده های مورد استفاده در اپلیکیشن های یادگیری ماشینی نظارت شده خواهید داشت.

بررسی دوره

آیا این نوشته را دوست داشتید؟
Pluralsight Reducing Complexity in Data Author:Janani Ravi Duration:3:20:29 Level:Intermediate

Machine learning techniques have grown significantly more powerful in recent years, but excessive complexity in data is still a major problem. There are several reasons for this - distinguishing signal from noise gets harder with more complex data, and the risks of overfitting go up as well. Finally, as cloud-based machine learning becomes more and more popular, reducing complexity in data is crucial in making training more affordable. Cloud-based ML solutions can be very expensive indeed.
In this course, Reducing Complexity in Data you will learn how to make the data fed into machine learning models more tractable and more manageable, without resorting to any hacks or shortcuts, and without compromising on quality or correctness.
First, you will learn the importance of parsimony in data, and understand the pitfalls of working with data of excessively high-dimensionality, often referred to as the curse of dimensionality.
Next, you will discover how and when to resort to feature selection, employing statistically sound techniques to find a subset of the features input based on their information content and link to the output.
Finally, you will explore how to use two advanced techniques - clustering, and autoencoding. Both of these are applications of unsupervised learning used to simplify data as a precursor to a supervised learning algorithm. Each of them often relies on a sophisticated implementation such as deep learning using neural networks.
When you’re finished with this course, you will have the skills and knowledge of conceptually sound complexity reduction needed to reduce the complexity of data used in supervised machine learning applications.

پیشنهاد آموزش مرتبط در فرادرس