مطالب پیشنهادی از سراسر وب

آشنایی با یادگیری ماشینی - Udacity

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

این دوره فرآیند بررسی داده ها از طریق یادگیری ماشینی را به شما آموزش می دهد.

یادگیری ماشینی بلیط کلاس اول هیجان انگیزترین مشاغل در تجزیه و تحلیل داده های امروز است. از آنجا که منابع داده همراه با توان محاسباتی برای پردازش آنها تکثیر می شوند، رفتن مستقیم به داده ها یکی از راه های ساده برای دستیابی سریع به بینش و پیش بینی است.

یادگیری ماشینی علوم کامپیوتر و آمار را گرد هم آورده تا از این قدرت پیش بینی کننده استفاده کند.  این یک مهارت لازم برای همه تحلیلگران مشتاق داده ها و دانشمندان داده یا هر کس دیگری است که می خواهد همه آن داده های خام را در روندها و پیش بینی های تصفیه شده آماده کند.

این یک دوره است که به شما فرآیند بررسی داده ها از طریق یادگیری ماشین را آموزش می دهد. این دوره به شما می آموزد که چگونه ویژگی های مفیدی را که به بهترین وجه نمایانگر داده های شما هستند ، چند مورد از مهمترین الگوریتم های یادگیری ماشین و نحوه ارزیابی عملکرد الگوریتم های یادگیری ماشین خود را استخراج و شناسایی کنید.

مباحث دوره

درس 1

  • به یادگیری ماشینی خوش آمدید
  • یادگیری ماشینی چیست و آشنایی با مدرس
  • بدانید که یادگیری ماشین در فناوری و علوم کجا کاربرد دارد.

درس 2

  • Naive Bayes
  • از Naive Bayes با یادگیری scikit در پایتون استفاده کنید.
  • تقسیم داده ها بین مجموعه های آموزشی و مجموعه های آزمایشی با یادگیری scikit
  • احتمال خلفی و احتمال قبلی توزیع های ساده را محاسبه کنید.

درس 3

  • پشتیبانی از ماشین های برداری
  • شهود ساده پشت ماشین های بردار پشتیبانی را بیاموزید.
  • پیاده سازی SVM classifier در SKLearn/scikit-learn
  • نحوه انتخاب هسته مناسب برای SVM خود را مشخص کنید و با RBF و Linear Kernels آشنا شوید.

درس 4

  • درختان تصمیم گیری
  • کدنویسی درخت تصمیم گیری
  • فرمول های آنتروپی و به دست آوردن اطلاعات و نحوه محاسبه آنها را بیاموزید.
  • با استفاده از یک درخت تصمیم گیری در پایتون، یک پروژه کوچک را اجرا کنید که نویسندگان را در مجموعه ای از ایمیل ها شناسایی کنید.

درس 5

  • الگوریتم خود را انتخاب کنید
  • تصمیم بگیرید که چگونه الگوریتم یادگیری ماشینی درست را در بین K-Means ،Adaboost و درختان تصمیم گیری انتخاب کنید.

درس 6

  • مجموعه داده ها و سوالات
  • دانش خود را با یادگیری ماشین با جستجوی الگوهای موجود در مجموعه داده های Enron Email اعمال کنید.
  • شما یکی از بزرگترین کلاهبرداری های تاریخ آمریکا را تحقیق خواهید کرد!

درس 7

  • رگرسیون ها
  • درک نحوه متفاوت بودن یادگیری مداوم بدون نظارت از یادگیری گسسته
  • یک رگرسیون خطی در پایتون را با یادگیری دقیق کدنویسی کنید.
  • معیارهای مختلف خطا مانند SSE و R Squared را در زمینه رگرسیون های خطی درک کنید.

درس 8

  • Outliers
  • برای بهبود کیفیت پیش بینی های رگرسیون خطی ، Outliers را حذف کنید.
  • یادگیری خود را در یک پروژه کوچک که در آن باقیمانده های موجود در یک مجموعه داده واقعی را حذف می کنید، اعمال کنید و رگرسیون خود را دوباره اجرا کنید.
  • همان درک خود را از پرتگاه ها و باقیمانده ها در Enron Email Corpus اعمال کنید.

درس 9

  • خوشه بندی
  • تفاوت بین یادگیری بدون نظارت و یادگیری تحت نظارت را شناسایی کنید.
  • K-Means را در پایتون و Scikit پیاده سازی کنید تا مرکز خوشه ها را پیدا کنید.
  • دانش خود را در داده های مالی Enron اعمال کنید تا خوشه ها را در یک مجموعه داده واقعی پیدا کنید.

درس 10

  • مقیاس بندی ویژگی
  • نحوه پیش پردازش داده ها با مقیاس گذاری ویژگی را برای بهبود الگوریتم های خود درک کنید.
  • در sklearn از یک مقیاس کننده دقیقه mx استفاده کنید.
آیا این نوشته را دوست داشتید؟
Udacity Intro to Machine Learning Publisher:Udacity Author:Katie Malone and Sebastian Thrun Level:Intermediate

This class will teach you the end-to-end process of investigating data through a machine learning lens. Learn online, with Udacity.

Machine Learning is a first-class ticket to the most exciting careers in data analysis today. As data sources proliferate along with the computing power to process them, going straight to the data is one of the most straightforward ways to quickly gain insights and make predictions.

Machine learning brings together computer science and statistics to harness that predictive power. It’s a must-have skill for all aspiring data analysts and data scientists, or anyone else who wants to wrestle all that raw data into refined trends and predictions.

This is a class that will teach you the end-to-end process of investigating data through a machine learning lens. It will teach you how to extract and identify useful features that best represent your data, a few of the most important machine learning algorithms, and how to evaluate the performance of your machine learning algorithms.

This course is also a part of our Data Analyst Nanodegree.

Syllabus

LESSON 1

  • Welcome to Machine Learning
  • Learn what Machine Learning is and meet Sebastian Thrun!
  • Find out where Machine Learning is applied in Technology and Science.

LESSON 2

  • Naive Bayes
  • Use Naive Bayes with scikit learn in python.
  • Splitting data between training sets and testing sets with scikit learn.
  • Calculate the posterior probability and the prior probability of simple distributions.

LESSON 3

  • Support Vector Machines
  • Learn the simple intuition behind Support Vector Machines.
  • Implement an SVM classifier in SKLearn/scikit-learn.
  • Identify how to choose the right kernel for your SVM and learn about RBF and Linear Kernels.

LESSON 4

  • Decision Trees
  • Code your own decision tree in python.
  • Learn the formulas for entropy and information gain and how to calculate them.
  • Implement a mini project where you identify the authors in a body of emails using a decision tree in Python.

LESSON 5

  • Choose your own Algorithm
  • Decide how to pick the right Machine Learning Algorithm among K-Means,
  • Adaboost, and Decision Trees.

LESSON 6

  • Datasets and Questions
  • Apply your Machine Learning knowledge by looking for patterns in the Enron Email Dataset.
  • You'll be investigating one of the biggest frauds in American history!

LESSON 7

  • Regressions
  • Understand how continuous supervised learning is different from discrete learning.
  • Code a Linear Regression in Python with scikit-learn.
  • Understand different error metrics such as SSE, and R Squared in the context of Linear Regressions.

LESSON 8

  • Outliers
  • Remove outliers to improve the quality of your linear regression predictions.
  • Apply your learning in a mini project where you remove the residuals on a real dataset and reimplement your regressor.
  • Apply your same understanding of outliers and residuals on the Enron Email Corpus.

LESSON 9

  • Clustering
  • Identify the difference between Unsupervised Learning and Supervised Learning.
  • Implement K-Means in Python and Scikit Learn to find the center of clusters.
  • Apply your knowledge on the Enron Finance Data to find clusters in a real dataset.

LESSON 10

  • Feature Scaling
  • Understand how to preprocess data with feature scaling to improve your algorithms.
  • Use a min mx scaler in sklearn.

پیشنهاد آموزش مرتبط در فرادرس

لینک های دانلود حجم فایل: 2.96GB همراه با زیرنویس انگلیسی Udacity-Intro to Machine Learning-subtitles-git.ir.rar