در این دوره 4 هفته ای با محصولات اسمارت بتا آشنا می شوید. محصولات هوشمند بتا دارای ویژگی‌های سرمایه‌گذاری غیرفعال (دارای قوانین از پیش تعیین‌شده) و سرمایه‌گذاری‌های فعال (اجازه سرمایه‌گذاری عاملی) هستند. ما مکانیسم‌های ایجاد پشت محصولات مختلف بتا هوشمند را مرور می‌کنیم و برخی از آنها را با استفاده از برنامه‌نویسی R بازسازی می‌کنیم. سپس روش های یادگیری ماشین را اعمال خواهیم کرد. پردازش داده ها، تکنیک های پیشگیری از برازش بیش از حد پوشش داده خواهد شد. در نهایت سعی خواهیم کرد با استفاده از روش‌های CART، bagging، boosting و ensemble یک مدل چند عاملی بهبودیافته ایجاد کنیم. انتظار می رود که دانش آموزان به اولین و دومین دوره من با عنوان «مبانی سرمایه گذاری مبتنی بر داده» و «استفاده از R برای رگرسیون و یادگیری ماشین در سرمایه گذاری» گوش داده باشند، یا دانشی معادل در مفاهیم سرمایه گذاری و درک محکمی از برنامه نویسی R داشته باشند.

>>> با ثبت نام در این دوره، با توافقنامه مجوز کاربر نهایی همانطور که در سوالات متداول ذکر شده است موافقت می کنید. پس از ثبت نام می توانید به مجوز در ناحیه منابع دسترسی داشته باشید <<< این دوره، یادگیری ماشین پیشرفته و پردازش سیگنال، بخشی از تخصص IBM Advanced Data Science است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد نظارت و کنترل را می دهد. مدل های یادگیری ماشینی بدون نظارت که توسط متخصصان در بسیاری از رشته های مرتبط استفاده می شود. ما در مورد اصول جبر خطی یاد خواهیم گرفت تا نحوه عملکرد حالت های یادگیری ماشین را درک کنیم. سپس محبوب‌ترین چارچوب‌های یادگیری ماشین برای پایتون Scikit-Learn و SparkML را معرفی می‌کنیم. SparkML بزرگترین بخش این دوره را تشکیل می دهد زیرا مقیاس پذیری کلید رفع تنگناهای عملکرد است. ما یاد می گیریم که چگونه مدل ها را به صورت موازی با ارزیابی صدها پارامتر مختلف به صورت موازی تنظیم کنیم. ما به طور مداوم از یک مثال واقعی از اینترنت اشیا (اینترنت اشیا) برای مثال زدن الگوریتم های مختلف استفاده خواهیم کرد. برای گذراندن دوره، حتی باید داده های حسگر ارتعاش خود را با استفاده از حسگرهای شتاب سنج در گوشی هوشمند خود ایجاد کنید. بنابراین شما در طول دوره بر روی یک مجموعه داده واقعی و خودساخته کار می کنید. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، نشان دیجیتال IBM نیز دریافت خواهید کرد. برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید.

 با کمک زبان Wolfram می‌توانید یادگیری ماشین را در زمینه‌های موضوعی مختلف بدون دانش سطح متخصص اعمال کنید. در حالی که می‌توانید مدل‌های پیچیده را از ابتدا بسازید، می‌توانید از هر یک از مدل‌های از پیش آموزش‌دیده موجود در ورودی‌های مختلف مانند متن، اعداد و تصاویر نیز استفاده کنید. این دوره مقدمه ای بر بسیاری از توابع یادگیری ماشینی در دسترس برای کارهای گسترده ای مانند شناسایی تصویر، تشخیص متن، طبقه بندی احساسات و موارد دیگر ارائه می دهد. قابلیت‌های یادگیری ماشین خودکار زبان Wolfram را از طریق مثال‌ها کاوش کنید، و یاد بگیرید که وظایف یادگیری ماشینی ساده را بر روی انواع ورودی‌های مختلف اجرا کنید، از مدل‌های نام‌گذاری‌شده و سفارشی آموزش‌دیده برای انجام وظایف طبقه‌بندی استفاده کنید، و یادگیری ماشین را در بینایی کامپیوتر، متن و استفاده کنید. وظایف پردازش زبان طبیعی

 این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

این دوره یادگیرنده را با یادگیری ماشینی کاربردی آشنا می‌کند و بیشتر بر روی تکنیک‌ها و روش‌ها تمرکز می‌کند تا آمار پشت این روش‌ها. این دوره با بحث در مورد اینکه چگونه یادگیری ماشینی با آمار توصیفی متفاوت است شروع می شود و جعبه ابزار یادگیری scikit را از طریق یک آموزش معرفی می کند. موضوع ابعاد داده ها مورد بحث قرار خواهد گرفت و وظیفه خوشه بندی داده ها و همچنین ارزیابی آن خوشه ها مورد بررسی قرار خواهد گرفت. رویکردهای نظارت شده برای ایجاد مدل‌های پیش‌بینی شرح داده می‌شود و یادگیرندگان می‌توانند همزمان با درک مسائل فرآیند مربوط به تعمیم‌پذیری داده‌ها، از روش‌های مدل‌سازی پیش‌بینی یادگیری scicit استفاده کنند (مانند اعتبار سنجی متقابل، برازش بیش از حد). این دوره با نگاهی به تکنیک های پیشرفته تر مانند ساخت مجموعه ها و محدودیت های عملی مدل های پیش بینی پایان خواهد یافت. در پایان این دوره، دانش آموزان قادر خواهند بود تفاوت بین تکنیک نظارت شده (طبقه بندی) و بدون نظارت (خوشه بندی) را شناسایی کنند، تشخیص دهند که کدام تکنیک را برای یک مجموعه داده و نیاز خاص به کار می برند، ویژگی های مهندسی برای برآورده کردن آن نیاز، و کد پایتون را بنویسید تا تحلیل انجام شود. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و رسم کاربردی، نمودار و بازنمایی داده در پایتون و قبل از متن کاوی کاربردی در پایتون و تحلیل اجتماعی کاربردی در پایتون گذرانده شود.

با اهمیت روزافزون یادگیری ماشین در تقریباً در هر بخش ، متخصصان به درک عمیق تر و رویکرد عملی برای اجرای الگوریتم های ML به طور مؤثر نیاز دارند.

این دوره الگوریتم های یادگیری ماشین را که معمولاً استفاده می شود ، پوشش می دهد. مربی مت هریسون بر الگوریتم های یادگیری غیر عمق ، پوشش PCA ، خوشه بندی ، رگرسیون خطی و لجستیک ، درختان تصمیم گیری ، جنگل های تصادفی و تقویت شیب تمرکز دارد.

در این دوره به مت بپیوندید تا الگوریتم های مشترک ML را بفهمید ، جوانب مثبت و منفی خود را بیاموزید و مهارت های دستی را برای استفاده از آنها با دنبال کردن با چالش ها و راه حل ها در برنامه های GitHub ایجاد کنید.

مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

 کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

در اولین دوره تخصص یادگیری ماشین، شما: • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های معروف یادگیری ماشین NumPy و scikit-learn. • ساخت و آموزش مدل‌های یادگیری ماشینی تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

 

پیش نیازهای پیشنهادی

• آشنایی کلی با یادگیری ماشینی تحت نظارت
• درک عباراتی مانند متغیر هدف، متغیر ورودی، الگوریتم و پارتیشن قطار/آزمایش

درخت‌های تصمیم شفاف هستند، در هر پلتفرمی در دسترس هستند و برای تکنیک‌های پیشرفته‌تر مانند جنگل‌های تصادفی و XGBoost پایه‌ای هستند. و اگر شما یک دانشمند داده هستید که به دنبال تمرکز بر یادگیری ماشینی هستید، مسلماً موضوع بهتری برای شروع سفر یادگیری شما وجود ندارد. در این دوره، اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را بیاموزید. در طول مسیر، مربی کیت مک کورمیک با استفاده از پلتفرم KNIME Analytics نمایش هایی ارائه می دهد، بنابراین می توانید نحوه عملکرد این مفاهیم را در سناریوهای دنیای واقعی درک کنید.

 به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

مطالعه موردی - پیش بینی قیمت مسکن در اولین مطالعه موردی ما، پیش‌بینی قیمت خانه، مدل‌هایی ایجاد می‌کنید که یک مقدار پیوسته (قیمت) را از ویژگی‌های ورودی (فیلم مربع، تعداد اتاق خواب و حمام،...) پیش‌بینی می‌کنند. این تنها یکی از مکان‌هایی است که می‌توان از رگرسیون استفاده کرد. کاربردهای دیگر از پیش‌بینی نتایج سلامت در پزشکی، قیمت سهام در امور مالی، و استفاده از توان در محاسبات با کارایی بالا تا تجزیه و تحلیل اینکه کدام تنظیم‌کننده برای بیان ژن مهم است، متغیر است. در این دوره، مدل های رگرسیون خطی منظم شده را برای کار پیش بینی و انتخاب ویژگی بررسی خواهید کرد. شما قادر خواهید بود مجموعه‌های بسیار بزرگی از ویژگی‌ها را مدیریت کنید و بین مدل‌هایی با پیچیدگی‌های مختلف انتخاب کنید. شما همچنین تأثیر جنبه‌های داده‌های خود - مانند مقادیر دورافتاده - بر مدل‌ها و پیش‌بینی‌های انتخابی خود را تجزیه و تحلیل خواهید کرد. برای تناسب با این مدل‌ها، الگوریتم‌های بهینه‌سازی را پیاده‌سازی خواهید کرد که به مجموعه داده‌های بزرگ مقیاس می‌شوند. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل رگرسیونی را شرح دهید. -مقایسه و کنتراست سوگیری و واریانس هنگام مدل‌سازی داده‌ها. -برآورد پارامترهای مدل با استفاده از الگوریتم های بهینه سازی. تنظیم پارامترها با اعتبار سنجی متقابل. -تحلیل عملکرد مدل - مفهوم پراکندگی و اینکه چگونه LASSO منجر به راه حل های پراکنده می شود را توضیح دهید. -استقرار روش ها برای انتخاب بین مدل ها. -از مدل برای ایجاد پیش بینی بهره برداری کنید. - ساخت یک مدل رگرسیون برای پیش بینی قیمت ها با استفاده از مجموعه داده مسکن. -این تکنیک ها را در پایتون پیاده سازی کنید.