مطالب پیشنهادی از سراسر وب

آموزش اعتبارسنجی و ساخت مدل - Udacity

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

این دوره به شما می آموزد که چگونه از ابتدا در پاسخ دادن به سوالات در مورد دنیای واقعی با استفاده از داده ها شروع کنید. یادگیری ماشینی اتفاقاً قسمت کوچکی از این فرآیند است. فرآیند ساخت مدل شامل راه اندازی روش های جمع آوری داده ها ، درک و توجه به آنچه در داده ها مهم است برای پاسخ به سوالاتی که می پرسید، یافتن یک مدل آماری، ریاضی یا شبیه سازی برای درک و پیش بینی است.

همه این موارد به همان اندازه مهم هستند و ساختن مدل مهارت مهمی است که باید در هر زمینه علمی به دست آورد. این فرایند به روش علمی وفادار می ماند ، و باعث می شود آنچه را که از طریق مدل های خود یاد می گیرید برای درک درک هرچه تحقیق می کنید مفید باشد و همچنین پیش بینی هایی را انجام دهید که برای تست درست باشد.

ما شما را به سفری از طریق ساخت مدل های مختلف خواهیم برد. این فرآیند شامل سوال کردن، جمع آوری و دستکاری داده ها، ساخت مدل ها و در نهایت تست و ارزیابی آنها است.

آنچه یاد خواهید گرفت

درس 1

  • معرفی QMV Process
  • یادگیری درباره Question
  • مدل سازی
  • اعتبارسنجی فرآیند تحلیل داده (QMV) 
  • این فرایند شامل سوال کردن، جمع آوری و دستکاری داده ها، ساخت مدل ها و در نهایت تست و ارزیابی آنها است.

درس 2

  • Question Phase
  • بیاموزید که چگونه یک سوال مبهم را به یک سوال آماری تبدیل کنید که می تواند با آمار و یادگیری ماشینی تجزیه و تحلیل شود.
  • یک مجموعه داده توییتر را تجزیه و تحلیل کنید و سعی کنید پیش بینی کنید که چه زمانی فرد بعدی را توییت می کند!

درس 3

  • مدل سازی Phase
  • برای پیش بینی دقیق، مدل های دقیق ریاضی، آماری و یادگیری ماشین بسازید.
  • برای جستجوی معاملات نابهنجار، از مجموعه داده های پزشکی Medicare ایالات متحده اخیراً منتشر شده استفاده کنید.

درس 4

  • مرحله اعتبار سنجی
  • برای درجه بندی عملکرد مدلهای خود ، معیارهای اساسی را بیاموزید.
  • مجموعه داده های اتومبیل متصل AT&T را تجزیه و تحلیل کنید.
  • ببینید آیا می توانید با تجزیه و تحلیل الگوی رانندگی را از هم جدا کنید.

درس 5

  • تلاش های هک کردن از لاگ های مربوط به جریان شبکه را شناسایی کنید
  • برنامه ای ایجاد کنید که داده های log را بررسی کرده و احتمال وقوع حمله brute force به سرور را ارزیابی کند.

پیش نیازها و الزامات

این یک دوره پیشرفته است و دانشجویان ایده آل برای این کلاس افرادی آماده هستند که دارای:

  • دانش برنامه نویسی پایتون، آشنایی با ابزارهای پایتون مانند Ipython
  • Notebook و کتابخانه های تجزیه و تحلیل داده ها مانند Scikit-learn ، Scipy و Pandas
  • دانش آمار توصیفی، استنباطی و پیش بینی
  • دانش علم حساب، به ویژه مشتقات و انتگرال ها
  • دانش جبر ماتریس اساسی - ماتریس، بردار، تعیین کننده، ماتریس هویت، ضرب، معکوس
  • آشنایی با یادگیری ماشین و الگوریتم های یادگیری تحت نظارت و یادگیری بدون نظارت نظیر SVM و خوشه بندی k-means
آیا این نوشته را دوست داشتید؟
Udacity Model Building and Validation Publisher:Udacity Author:Don Dini and Rishi Pravahan Level:Advanced

This course will teach you how to start from scratch in answering questions about the real world using data. Machine learning happens to be a small part of this process. The model building process involves setting up ways of collecting data, understanding and paying attention to what is important in the data to answer the questions you are asking, finding a statistical, mathematical or a simulation model to gain understanding and make predictions.

All of these things are equally important and model building is a crucial skill to acquire in every field of science. The process stays true to the scientific method, making what you learn through your models useful for gaining an understanding of whatever you are investigating as well as make predictions that hold true to test.

We will take you on a journey through building various models. This process involves asking questions, gathering and manipulating data, building models, and ultimately testing and evaluating them.

What You Will Learn

LESSON 1

  • Introduction to the QMV Process
  • Learn about the Question
  • Modeling
  • and Validation (QMV) process of data analysis.
  • Understand the basics behind each step.
  • Apply the QMV process to analyze on how Udacity employees choose candies!

LESSON 2

  • Question Phase
  • Learn how to turn a vague question into a statistical one that can be analyzed with statistics and machine learning.
  • Analyze a Twitter dataset and try to predict when a person will tweet next!

LESSON 3

  • Modeling Phase
  • Build rigorous mathematical
  • statistical
  • and machine learning models to make accurate predictions.
  • Look through the recently released U.S. medicare dataset for anomalous transactions.

LESSON 4

  • Validation Phase
  • Learn fundamental metrics to grade the performance of your models.
  • Analyze the AT&T connected cars data set.
  • See if you can tell the drivers apart by analyzing their driving patterns.

LESSON 5

  • Identify Hacking Attempts from Network Flow Logs
  • Create a program that examines log data and scores the likelihood that a brute force attack is taking place on a server.

Prerequisites and Requirements

This is an advanced course, and the ideal students for this class are prepared individuals who have:

  • Python programming knowledge, familiarity with python tools like Ipython
  • Notebook and data analysis libraries like Scikit-learn, Scipy, and Pandas
  • Knowledge of descriptive, inferential, and predictive statistics
  • Knowledge of calculus, especially derivatives and integrals
  • Knowledge of basic matrix algebra - matrices, vectors, determinant, identity matrix, multiplication, inverse
  • Taken Intro to Machine learning and have an understanding of common supervised learning and unsupervised learning algorithms, such as SVM and k-means clustering

پیشنهاد آموزش مرتبط در فرادرس

لینک های دانلود حجم فایل: 1.93GB همراه با زیرنویس انگلیسی Udacity-Model Building and Validation-subtitles-git.ir.rar