آموزش های تخصصی کاملا رایگان کلیک کن

Packtpub Hands-on Scikit-learn for Machine Learning

برترین اساتید تخصصی
دسترسی نامحدود
یادگیری در همه جا
سرفصل های دوره
پرسش و پاسخ با استاد
آزمون
نظرات

Hands-on Scikit-learn for Machine Learning:

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

امروزه Scikit-learn مسلما محبوب ترین کتابخانه پایتون برای یادگیری ماشینی است. با توجه به محبوبیت و گستره وسیعی از مدل های ML، مشاغل Scikit-learn در صنایع و دانشگاه ها تقاضای زیادی دارند.

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

Packtpub Hands-on Scikit-learn for Machine Learning:
Getting Started with a Simple ML Model in Scikit-learn:
۰۱٫The Course Overview
۰۲٫Course Objectives, Software Installation, and Setup
۰۳٫Overview of Scikit-learn
۰۴٫Scikit-learn Programming Workflow Example
۰۵٫Applying a KNN Model on Cancer Dataset
۰۶٫Improving the KNN Performance on Cancer Dataset

Classification Models:
۰۱٫Linear and Logistic Regression
۰۲٫Evaluating Classification Models
۰۳٫Logistic Regression and Evaluation with Scikit-learn
۰۴٫Decision Trees
۰۵٫Bagging, Boosting, and Random Forests
۰۶٫Applying Ensemble Methods with Scikit-learn
۰۷٫Support Vector Machines
۰۸٫Applying Support Vector Machines Classifier with Scikit-learn
۰۹٫Multi-class Classification Example with Scikit-learn

Supervised Machine Learning – Regression:
۰۱٫Downloading and Inspecting the Dataset
۰۲٫Handling Categorical Features and Missing Values
۰۳٫Creating Train and Test Sets and Finding Correlation
۰۴٫Feature Scaling, Evaluating Regression Models, and Applying Linear Regression
۰۵٫Regularization Techniques for Regression Analysis
۰۶٫Applying Random Forest for Regression Analysis
۰۷٫Multi-Layer Perceptron, Neural Networks, and Applying MLP with Scikit-learn

Unsupervised Learning —Dimensionality Reduction:
۰۱٫Principle Component Analysis
۰۲٫Applying PCA with Scikit-learn for Feature Reduction
۰۳٫Applying PCA for a Regression Problem on a Large Dataset
۰۴٫Nonlinear Methods of Feature Extraction – t-SNE and Isomap
۰۵٫Applying Dimensionality Reduction Techniques to Images

Unsupervised Learning – Clustering:
۰۱٫Introduction to Clustering and k-means Clustering
۰۲٫Applying k-means with Scikit-learn
۰۳٫Agglomerative Clustering
۰۴٫DBSCAN Clustering Algorithm
۰۵٫Applying DBSCAN with Scikit-learn

Improving ML Model Performance:
۰۱٫Handling Missing Values and Data Cleaning
۰۲٫Handling Missing Values and Scaling Numerical Features
۰۳٫Handling Outliers and Removing Distribution Skew
۰۴٫Handling Outliers and Removing Distribution Skew (Continued)
۰۵٫Deriving Additional Features
۰۶٫Evaluating Different Models and Cross- Validation
۰۷٫Model Selection Strategies
۰۸٫Feature Engineering for Classification
۰۹٫Model Selection Strategies for Credit Risk Assessment

Creating Pipelines and Advanced Model Selection:
۰۱٫Creating Processing Pipelines with Scikit-learn
۰۲٫Using Pipelines on Our Credit Risk Assessment Dataset
۰۳٫Advanced Model Selection Techniques
۰۴٫Practicing Pipelines with a Time-Series Dataset

Handling Text Data with Scikit-learn:
۰۱٫Bag-of-Words Model and Sentiment Analysis
۰۲٫Using Stop-Words and TF-IDF for Sentiment Analysis
۰۳٫Using N-Grams to Improve Model Performance for Sentiment Analysis
۰۴٫Using Stemming and Lemmatization for Sentiment Analysis
۰۵٫Topic Modeling with TruncatedSVD and Latent Dirichlet Allocation

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

Getting Started with a Simple ML Model in Scikit-learn
Unsupervised Learning – Clustering