1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Ensemble Machine Learning in Python: Random Forest, AdaBoost 2021-10
Ensemble Machine Learning in Python: Random Forest, AdaBoost

Udemy – Ensemble Machine Learning in Python: Random Forest, AdaBoost 2021-10

توضیحات

Ensemble Machine Learning in Python: Random Forest, AdaBoost ، دوره یادگیری ماشین جمعی در پایتون: Random Forest, AdaBoost توسط آکادمی یودمی منتسر شده است. یادگیری ماشینی منجر به نتایج شگفت انگیزی شده است، مانند توانایی تجزیه و تحلیل تصاویر پزشکی و پیش بینی بیماری ها در حد یک متخصص. برنامه آلفاگوی گوگل با استفاده از یادگیری تقویتی عمیق توانست قهرمان جهان در بازی استراتژی Go را شکست دهد. یادگیری ماشین حتی برای برنامه ریزی خودروهای خودران نیز مورد استفاده قرار می گیرد که قرار است صنعت خودروسازی را برای همیشه تغییر دهد. دنیایی را تصور کنید که تصادفات رانندگی به شدت کاهش یافته است، به سادگی با حذف عنصر خطای انسانی. گوگل اعلام کرده که آن ها تمرکز اصلی خود را بر روی یادگیری ماشین قرار داده اند و شرکت هایی مانند NVIDIA و آمازون نیز همین رویه را در پیش گرفته اند و این همان چیزی است که در سال های آینده باعث نوآوری خواهد شد.

یادگیری ماشینی در انواع و اقسام محصولات مختلف جای می گیرد و در بسیاری از صنایع مانند امور مالی، تبلیغات آنلاین، پزشکی و رباتیک مورد استفاده قرار می گیرد.این دوره تماما درباره روش های جمعی است. پیش از این با برخی از مدل های کلاسیک یادگیری ماشین مانند همسایه K – Nearest و درخت تصمیم گیری آشنا شده اید و به بررسی محدودیت ها و اشکالات آن ها پرداخته اید. اما چه می شد اگر می توانستیم این مدل ها را با هم ترکیب کنیم تا آن محدودیت ها را از بین ببریم و یک طبقه بندی کننده  قدرتمندتر تولید کنیم. در این دوره شما روش های ترکیب مدل هایی مانند درخت های تصمیم گیری و رگرسیون لجستیک برای ساخت مدل هایی که می توانند به دقت بسیار بالاتری نسبت به مدل های پایه ای که از آن ها ساخته شده اند، برسند را مطالعه خواهید کرد.

آنچه خواهید آموخت

  • جداسازی ترکیب bias-variance را درک و استخراج کنید
  • آشنایی با روش بوت استرپ و کاربرد آن درbagging
  • درک چرایی اینکه bagging، طبقه بندی و عملکرد رگرسیون را بهبود میبخشد
  • Random Forest را درک و اجرا کنید
  • AdaBoost را درک و اجرا کنید

این دوره برای چه کسانی مناسب است

  • انواع مدل هایی که برنده مسابقات یادگیری ماشین می شوند را بشناسید.
  • دانش آموزانی که در حال یادگیری ماشین هستند
  • متخصصانی که می خواهند علم داده و یادگیری ماشینی را در کار خود به کار گیرند
  • کارآفرینانی که می خواهند از علم داده و یادگیری ماشین برای بهینه سازی کسب وکار خود استفاده کنند
  • دانشجویان علوم کامپیوتر که می خواهند بیشتر در مورد علوم داده و یادگیری ماشین یاد بگیرند

مشخصات دوره Ensemble Machine Learning in Python: Random Forest, AdaBoost

سر فصل های دوره در تاریخ 1-2023

Ensemble Machine Learning in Python: Random Forest, AdaBoost

پیش نیاز های دوره Ensemble Machine Learning in Python: Random Forest, AdaBoost

  • Calculus (derivatives)
  • Numpy, Matplotlib, Sci-Kit Learn
  • K-Nearest Neighbors, Decision Trees
  • Probability and Statistics (undergraduate level)
  • Linear Regression, Logistic Regresion

تصاویر

Ensemble Machine Learning in Python: Random Forest, AdaBoost

فیلم نمونه

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: انگلیسی

کیفیت: 720p

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 85.9 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

1.08 گیگابایت

4.1/5 - (1774 امتیاز)

محاسبه حجم دانلود برای ایرانسل به‌صورت تمام‌بها است.

Download Faster Without Limitation

The data center of free servers has applied a non-Iranian IP restriction on some servers
There is no limitation for VIP servers

برچسب ها:

1 دیدگاه. همین الان خارج شوید

  • Google Chrome 109.0.0.0 Google Chrome 109.0.0.0 Windows 10 x64 Edition Windows 10 x64 Edition
    در مورد: Udemy – Ensemble Machine Learning in Python: Random Forest, AdaBoost 2021-10

    جا داره ی تشکر ویژه بکنم از اینکه انقدر خوب و به موقع خواسته افراد را روی سایتتون قرار می دین

    خیلی خیلی ممنون

    پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این قسمت نباید خالی باشد
این قسمت نباید خالی باشد
لطفاً یک نشانی ایمیل معتبر بنویسید.
فقط دیدگاه‌هایی که جنبه‌ی استفاده‌ی عمومی دارد، نمایش داده می‌شود؛ درصورت تمایل به دریافت نتیجه‌ی رسیدگیِ دیدگاه خود، ایمیل معتبر وارد کنید.

فهرست