بله، این دوره برای افراد مبتدی مناسبه! در این دوره با درختهای تصمیم و مدلهای مبتنی بر درخت آشنا میشید و یاد میگیرید چطور با استفاده از پایتون و کتابخونه کاربرپسند یادگیری ماشین Scikit-learn با اونها کار کنید.
دوره
یادگیری ماشین با مدلهای مبتنی بر درخت در پایتون
در این دوره یاد میگیرید چطور با استفاده از Scikit-learn، مدلهای مبتنی بر درخت و مدلهای تجمیعی رو برای رگرسیون و طبقهبندی به کار ببرید.
شروع رایگان
کاربرهای فینکا در چه شرکتهایی مشغول به کار هستند؟
توضیحات دوره
درختهای تصمیم مدلهای یادگیری نظارتشدهای هستن که برای مسائل طبقهبندی و رگرسیون استفاده میشن. مدلهای درختی انعطافپذیری بالایی دارن، اما این انعطافپذیری بدون هزینه نیست. از یک طرف، درختها میتونن روابط پیچیده و غیرخطی رو یاد بگیرن و از طرف دیگه، مستعد حفظکردن نویزهای موجود در دیتاستن.
روشهای تجمیعی با ترکیب پیشبینیهای درختهایی که به روشهای مختلف آموزش دیدهان، از انعطافپذیری درختها استفاده میکنن و در عین حال احتمال حفظکردن نویز رو کاهش میدن. این روشها در حوزههای مختلف کاربرد دارن و در بسیاری از مسابقات یادگیری ماشین عملکرد موفقی داشتن.
در این دوره یاد میگیرید چطور با استفاده از پایتون و کتابخونه Scikit-learn، درختهای تصمیم و مدلهای تجمیعی مبتنی بر درخت رو آموزش بدید. با مزایا و معایب درختها آشنا میشید و میبینید روشهای تجمیعی چطور میتونن این معایب رو کاهش بدن. همه این مفاهیم رو هم با دیتاستهای واقعی تمرین میکنید.
در نهایت، یاد میگیرید چطور مهمترین هایپرپارامترها رو تنظیم کنید تا بهترین عملکرد رو از مدلهاتون بگیرید.
همونیه که میخواید یاد بگیرید؟
شروع رایگان
1
درختهای طبقهبندی و رگرسیون مجموعهای از مدلهای یادگیری نظارتشدهان که برای مسائل طبقهبندی و رگرسیون استفاده میشن. در این بخش با این الگوریتمها آشنا میشید.
2
توازن بایاس-واریانس یکی از مفاهیم پایه در یادگیری ماشین نظارتشدهست. در این بخش یاد میگیرید چطور مشکلات بیشبرازش و کمبرازش رو تشخیص بدید. همچنین با مفهوم تجمیع مدلها آشنا میشید؛ روشی که در اون پیشبینی چند مدل با هم ترکیب میشن تا پیشبینیهای قابلاعتمادتر و مقاومتری به دست بیاد.
3
بگینگ یک روش تجمیعیه که در اون یک الگوریتم چندین بار با زیرمجموعههای مختلفی که از دادههای آموزشی نمونهگیری شدن، آموزش داده میشه. در این بخش یاد میگیرید چطور از بگینگ برای ساخت یک مجموعه از درختها استفاده کنید. همچنین با الگوریتم جنگل تصادفی آشنا میشید که با ایجاد تصادفیبودن در هر تقسیم درختها، تنوع بیشتری بین مدلهای مجموعه ایجاد میکنه.
4
بوستینگ یک روش تجمیعیه که در اون چند مدل بهصورت پشتسرهم آموزش داده میشن و هر مدل از خطاهای مدلهای قبلی یاد میگیره. در این بخش با دو روش بوستینگ AdaBoost و بوستینگ گرادیانی آشنا میشید.
5
هایپرپارامترهای یک مدل یادگیری ماشین، پارامترهایی هستن که از دادهها یاد گرفته نمیشن و باید قبل از برازش مدل روی مجموعه آموزشی تنظیم بشن. در این بخش یاد میگیرید چطور با استفاده از جستجوی شبکهای و اعتبارسنجی متقاطع، هایپرپارامترهای یک مدل مبتنی بر درخت رو تنظیم کنید.
گواهی پایان دوره
- تأیید مهارت شما
با تکمیل این دوره، شما یک گواهی معتبر دریافت میکنید که بیانگر کسب مهارتهای لازم مرتبط با این دوره آموزشی است.
- اعتبار و اصالت گواهی
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم میکند.
- اشتراکگذاری
میتوانید گواهیهای خود را بهراحتی در شبکههای حرفهای مانند لینکدین با دیگران به اشتراک بگذارید.
پیش نیازهای دوره
منابع
Auto-mpg
Bike Sharing Demand
Wisconsin Breast Cancer
Indian Liver Patient
توضیحات دوره
درختهای تصمیم مدلهای یادگیری نظارتشدهای هستن که برای مسائل طبقهبندی و رگرسیون استفاده میشن. مدلهای درختی انعطافپذیری بالایی دارن، اما این انعطافپذیری بدون هزینه نیست. از یک طرف، درختها میتونن روابط پیچیده و غیرخطی رو یاد بگیرن و از طرف دیگه، مستعد حفظکردن نویزهای موجود در دیتاستن.
روشهای تجمیعی با ترکیب پیشبینیهای درختهایی که به روشهای مختلف آموزش دیدهان، از انعطافپذیری درختها استفاده میکنن و در عین حال احتمال حفظکردن نویز رو کاهش میدن. این روشها در حوزههای مختلف کاربرد دارن و در بسیاری از مسابقات یادگیری ماشین عملکرد موفقی داشتن.
در این دوره یاد میگیرید چطور با استفاده از پایتون و کتابخونه Scikit-learn، درختهای تصمیم و مدلهای تجمیعی مبتنی بر درخت رو آموزش بدید. با مزایا و معایب درختها آشنا میشید و میبینید روشهای تجمیعی چطور میتونن این معایب رو کاهش بدن. همه این مفاهیم رو هم با دیتاستهای واقعی تمرین میکنید.
در نهایت، یاد میگیرید چطور مهمترین هایپرپارامترها رو تنظیم کنید تا بهترین عملکرد رو از مدلهاتون بگیرید.
همونیه که میخواید یاد بگیرید؟
شروع رایگان
1
درختهای طبقهبندی و رگرسیون مجموعهای از مدلهای یادگیری نظارتشدهان که برای مسائل طبقهبندی و رگرسیون استفاده میشن. در این بخش با این الگوریتمها آشنا میشید.
2
توازن بایاس-واریانس یکی از مفاهیم پایه در یادگیری ماشین نظارتشدهست. در این بخش یاد میگیرید چطور مشکلات بیشبرازش و کمبرازش رو تشخیص بدید. همچنین با مفهوم تجمیع مدلها آشنا میشید؛ روشی که در اون پیشبینی چند مدل با هم ترکیب میشن تا پیشبینیهای قابلاعتمادتر و مقاومتری به دست بیاد.
3
بگینگ یک روش تجمیعیه که در اون یک الگوریتم چندین بار با زیرمجموعههای مختلفی که از دادههای آموزشی نمونهگیری شدن، آموزش داده میشه. در این بخش یاد میگیرید چطور از بگینگ برای ساخت یک مجموعه از درختها استفاده کنید. همچنین با الگوریتم جنگل تصادفی آشنا میشید که با ایجاد تصادفیبودن در هر تقسیم درختها، تنوع بیشتری بین مدلهای مجموعه ایجاد میکنه.
4
بوستینگ یک روش تجمیعیه که در اون چند مدل بهصورت پشتسرهم آموزش داده میشن و هر مدل از خطاهای مدلهای قبلی یاد میگیره. در این بخش با دو روش بوستینگ AdaBoost و بوستینگ گرادیانی آشنا میشید.
5
هایپرپارامترهای یک مدل یادگیری ماشین، پارامترهایی هستن که از دادهها یاد گرفته نمیشن و باید قبل از برازش مدل روی مجموعه آموزشی تنظیم بشن. در این بخش یاد میگیرید چطور با استفاده از جستجوی شبکهای و اعتبارسنجی متقاطع، هایپرپارامترهای یک مدل مبتنی بر درخت رو تنظیم کنید.
گواهی پایان دوره
- تأیید مهارت شما
با تکمیل این دوره، شما یک گواهی معتبر دریافت میکنید که بیانگر کسب مهارتهای لازم مرتبط با این دوره آموزشی است.
- اعتبار و اصالت گواهی
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم میکند.
- اشتراکگذاری
میتوانید گواهیهای خود را بهراحتی در شبکههای حرفهای مانند لینکدین با دیگران به اشتراک بگذارید.
پیش نیازهای دوره
منابع
Auto-mpg
Bike Sharing Demand
Wisconsin Breast Cancer
Indian Liver Patient
سوالات متداول
دریافت اپلیکیشن فینکا
با اپلیکیشن فینکا، به بیشتر دورهها و مسیرها روی موبایل دسترسی دارید، تمرین میکنید و یادگیری رو همزمان روی موبایل و دسکتاپ ادامه میدید.
