Udemy – Machine Learning Mastery: From Data to Advanced Classifiers 2024-2

در تاریخ: 1404/01/10 12:32:35

توضیحات

دوره Machine Learning Mastery: From Data to Advanced Classifiers. این دوره جامع شما را با فرآیند کامل کار با داده‌ها و مدل‌سازی یادگیری ماشین آشنا می‌کند. ابتدا مفاهیم پایه‌ای مدیریت داده شامل وارد کردن، پاکسازی و آماده‌سازی داده‌ها برای تحلیل آموزش داده می‌شود. تکنیک‌های پیشرفته مصورسازی داده‌ها به شما کمک می‌کند تا بینش‌های ارزشمندی از داده‌ها استخراج کنید و روابط پیچیده بین متغیرها را از طریق نقشه‌های حرارتی شناسایی نمایید. مرحله بعدی دوره به پیش‌پردازش داده‌ها اختصاص دارد، جایی که روش‌های مختلفی مانند مدیریت مقادیر گمشده، مقیاس‌بندی ویژگی‌ها و کدگذاری متغیرهای طبقه‌ای آموزش داده می‌شود. بخش مهمی از دوره به تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی می‌پردازد تا از عملکرد بهینه مدل‌ها اطمینان حاصل شود. در بخش مدل‌سازی، با طیف گسترده‌ای از طبقه‌بند‌ها شامل SVC، RandomForest، XGBoost، KNN و LightGBM آشنا می‌شوید. تنظیم پارامترهای این مدل‌ها و ارزیابی عملکرد آنها از طریق منحنی ROC از دیگر مباحث مهم این بخش است. در طول دوره، با کار روی پروژه‌های عملی و استفاده از مجموعه داده‌های واقعی، مهارت‌های خود را تقویت خواهید کرد. تمرین‌های متنوع و منابع آموزشی غنی به شما کمک می‌کند تا دانش کسب شده را به خوبی تثبیت نمایید.

آنچه فرا خواهید گرفت:

وارد کردن و آماده‌سازی داده‌ها برای تجزیه و تحلیل.
تکنیک‌های تمیز کردن و preprocessing برای یکپارچگی داده‌ها.
روش‌های موثر visualization داده‌ها.
درک و استفاده از heatmaps correlation.
مراحل preprocessing برای مقیاس‌بندی ویژگی‌ها و مدیریت متغیرهای categorical.
تقسیم مناسب داده‌ها برای آموزش و آزمایش.
پیاده‌سازی مدل‌های یادگیری ماشین: Support Vector Classifier (SVC)، RandomForestClassifier، XGBClassifier، KNeighborsClassifier، LGBMClassifier.
ارزیابی با استفاده از منحنی Receiver Operator Characteristic (ROC).

این دوره مناسب چه کسانی است؟

برنامه‌نویسان پایتون مبتدی و متوسط که می‌خواهند مهارت‌های خود را در زمینه یادگیری ماشین گسترش دهند.
تحلیلگران داده و دانشمندان داده که می‌خواهند درک و مهارت خود را در تکنیک‌های یادگیری ماشین افزایش دهند.
متخصصانی که با داده‌ها کار می‌کنند و علاقه‌مند به استفاده از الگوریتم‌های یادگیری ماشین برای حل مشکلات دنیای واقعی هستند.
دانشجویان و محققان در علوم کامپیوتر یا زمینه‌های مرتبط که می‌خواهند دانش عملی و تجربه عملی در یادگیری ماشین کسب کنند.
هر کسی که علاقه زیادی به یادگیری ماشین دارد و می‌خواهد یاد بگیرد چگونه داده‌ها را با استفاده از طبقه‌بندی‌کننده‌های محبوب مانند SVC، RandomForestClassifier، XGBClassifier، KNeighborsClassifier و LGBMClassifier وارد، تمیز، visualize، preprocess و مدل‌سازی کند.
افرادی که به دنبال ارزیابی و مقایسه عملکرد مدل‌های یادگیری ماشین با استفاده از منحنی Receiver Operator Characteristic (ROC) هستند.