این دوره به شما می آموزد که از ابزارهای موجود در "tidyverse" برای تولید، کاوش و ارزیابی مدل های یادگیری ماشین استفاده کنید. با استفاده از ترکیبی از بسته‌های tidyr و purrr، شما پایه‌ای برای نحوه کار با اشیاء مدل پیچیده به روش "مرتب" خواهید ساخت. همچنین یاد می گیرید که چگونه از بسته جارو برای کشف مدل های به دست آمده استفاده کنید. سپس با ابزارهای موجود در گردش کار تست-ترن- اعتبارسنجی آشنا می شوید که به شما امکان ارزیابی عملکرد هر دو مدل طبقه بندی و رگرسیون و همچنین ارائه اطلاعات لازم برای بهینه سازی عملکرد مدل از طریق تنظیم فراپارامتر را می دهد.

درخت تصمیم، مدل‌های یادگیری تحت نظارت هستند که برای مسائل مربوط به طبقه‌بندی و رگرسیون استفاده می‌شوند. مدل‌های درختی انعطاف‌پذیری بالایی را ارائه می‌دهند که قیمتی هم دارد: از یک طرف، درختان می‌توانند روابط پیچیده غیرخطی را ثبت کنند. از سوی دیگر، آنها مستعد به خاطر سپردن نویز موجود در یک مجموعه داده هستند. با جمع‌آوری پیش‌بینی‌های درختانی که به‌طور متفاوت آموزش داده می‌شوند، روش‌های گروهی از انعطاف‌پذیری درختان بهره می‌برند و در عین حال تمایل آن‌ها به حفظ نویز را کاهش می‌دهند. روش‌های گروهی در زمینه‌های مختلف مورد استفاده قرار می‌گیرند و سابقه ثابتی در برنده شدن در بسیاری از مسابقات یادگیری ماشین دارند. در این دوره آموزشی، نحوه استفاده از پایتون را برای آموزش درخت‌های تصمیم‌گیری و مدل‌های مبتنی بر درخت با کتابخانه یادگیری ماشینی کاربرپسند scikit-learn یاد خواهید گرفت. شما مزایا و کاستی های درختان را درک خواهید کرد و نشان خواهید داد که چگونه ترکیب بندی می تواند این کاستی ها را کاهش دهد، همگی در حین تمرین بر روی مجموعه داده های دنیای واقعی. در نهایت، همچنین می‌دانید که چگونه می‌توانید تأثیرگذارترین هایپرپارامترها را تنظیم کنید تا بیشترین بهره را از مدل‌های خود ببرید.

مدل‌های یادگیری ماشینی مبتنی بر درخت می‌توانند روابط غیرخطی پیچیده‌ای را در داده‌ها نشان دهند و اغلب بر رقابت‌های یادگیری ماشینی تسلط دارند. در این دوره، از بسته tidymodels برای کاوش و ساختن مدل‌های مختلف مبتنی بر درخت - از درخت‌های تصمیم ساده گرفته تا جنگل‌های تصادفی پیچیده استفاده می‌کنید. همچنین استفاده از درختان تقویت شده را یاد خواهید گرفت، یک تکنیک یادگیری ماشینی قدرتمند که از یادگیری گروهی برای ساخت مدل‌های پیش‌بینی با کارایی بالا استفاده می‌کند. در طول مسیر، با داده‌های ریسک اعتباری و سلامتی کار می‌کنید تا بروز دیابت و ریزش مشتری را پیش‌بینی کنید.

این دوره عناصر کلیدی یادگیری ماشین را به رهبران کسب و کار معرفی می کند. ما بر روی بینش‌های کلیدی و شیوه‌های پایه تمرکز خواهیم کرد که چگونه سؤالات تجاری را به عنوان پروژه‌های مدل‌سازی با تیم‌های یادگیری ماشینی ساختار دهیم. انواع مختلف مدل‌ها را خواهید فهمید، به چه نوع سؤالات تجاری پاسخ می‌دهند، یا چه نوع فرصت‌هایی را می‌توانند کشف کنند، همچنین یاد می‌گیرید که موقعیت‌هایی را که در آن‌ها یادگیری ماشینی نباید اعمال شود، شناسایی کنید، که به همان اندازه مهم است. تفاوت بین استنتاج و پیش‌بینی، پیش‌بینی احتمال و مقادیر، و اینکه چگونه استفاده از یادگیری بدون نظارت می‌تواند به ایجاد استراتژی تقسیم‌بندی مشتری معنادار کمک کند، خواهید فهمید.

در دنیای یادگیری ماشینی شیرجه بزنید و با این دوره جامع نحوه طراحی، آموزش و استقرار مدل‌های سرتاسری را بیاموزید. از طریق مثال‌های جذاب، دنیای واقعی و تمرین‌های عملی، یاد خواهید گرفت که با مشکلات پیچیده داده‌ها مقابله کنید و مدل‌های قدرتمند ML بسازید. در پایان این دوره، شما به مهارت‌های لازم برای ایجاد، نظارت و نگهداری مدل‌هایی با عملکرد بالا که بینش‌های عملی ارائه می‌دهند، مجهز خواهید شد.

از دیدگاه یادگیری ماشینی، رگرسیون وظیفه پیش‌بینی نتایج عددی از ورودی‌های مختلف است. در این دوره آموزشی، با مدل‌های رگرسیون مختلف، نحوه آموزش این مدل‌ها در R، ارزیابی مدل‌هایی که آموزش می‌دهید و استفاده از آن‌ها برای پیش‌بینی‌ها آشنا می‌شوید.