Packtpub Getting Started with Machine Learning in Python

Packtpub Getting Started with Machine Learning in Python:

با سلام خدمت همه ی دنبال کنندگان محترم سایت Farkiantech.com

در این دوره با استفاده از مجموعه داده های برچسب شده برای طبقه بندی اشیاء یا پیش بینی مقادیر آینده، استفاده از مجموعه داده های بدون برچسب برای انجام تقسیم بندی و خوشه بندی، درک و برآورد مقادیر مجموعه داده، ایجاد بهترین متریک عملکرد برای کار، نحوه پاک کردن داده ها برای برنامه و شناسایی تسک یادگیری ماشینی آشنا خواهید شد.

این دوره آموزشی به صورت کاملا رایگان در اختیار شما قرار می گیرد، و شامل سرفصل های زیر می باشد:

Packtpub Getting Started with Machine Learning in Python:
Launching a Python Environment to Create Machine Learning Models:
۰۱٫The Course Overview
۰۲٫Machine Learning versus Rule-Based Programming
۰۳٫Understanding What Machine Learning Can Do Using the Tasks Framework
۰۴٫Creating Machine-Learned Models with Python and scikit-learn
۰۵٫Supervised Versus Unsupervised Learning

Prepare Your Datasets for Machine Learning with Data Cleaning:
۰۶٫Fix Your Machine Learning Models by Understanding Your Data Source
۰۷٫Dealing with Missing Values – An Example
۰۸٫Standardization and Normalization to Deal with Variables with Different Scales
۰۹٫Eliminating Duplicate Entries

Put Data into Their Right Categories with Classification:
۱۰٫How Do We Learn Rules to Classify Objects
۱۱٫Understanding Logistic Regression – Your First Classifier
۱۲٫Applying Logistic Regression to the Iris Classification Task
۱۳٫Closing Our First Machine Learning Pipeline with a Simple Model Evaluator

Predict Numbers in the Future with Regression:
۱۴٫Creating Formulas That Predict the Future – A House Price Example
۱۵٫Understanding Linear Regression – Your First Regressor
۱۶٫Applying Linear Regression to the Boston House Price Task
۱۷٫Evaluating Numerical Predictions with Least Squares

Unsupervised Learning – Segmenting Groups and Detecting Outliers:
۱۸٫Exploring Unsupervised Learning and Its Usefulness
۱۹٫Finding Groups Automatically with K-means Clustering
۲۰٫Reducing the Number of Variables in Your Data with PCA
۲۱٫Smooth out Your Histograms with Kernel Density Estimation

Modeling Complex Relationships with Nonlinear Models:
۲۲٫Create Explainable Models with Decision Trees
۲۳٫Deal with Nonlinear Relationships with Polynomial Regression
۲۴٫Reduce the Number of Learned Rules with Regularization
۲۵٫Automatic Feature Engineering with Support Vector Machines

برای دیدن تمام دوره ها به زبان اصلی اینجا کلیک کنید.