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.

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.

مطالعات موردی: تحلیل احساسات و پیش‌بینی پیش‌فرض وام در مطالعه موردی ما در مورد تجزیه و تحلیل احساسات، شما مدل هایی ایجاد خواهید کرد که یک کلاس (احساس مثبت/منفی) را از ویژگی های ورودی (متن نظرات، اطلاعات نمایه کاربر،...) پیش بینی می کنند. در مطالعه موردی دوم ما برای این دوره، پیش‌بینی پیش‌فرض وام، به داده‌های مالی می‌پردازید و پیش‌بینی می‌کنید که چه زمانی وام برای بانک خطرناک یا بی‌خطر است. این وظایف نمونه‌هایی از طبقه‌بندی، یکی از پرکاربردترین حوزه‌های یادگیری ماشینی، با طیف وسیعی از کاربردها، از جمله هدف‌گیری تبلیغات، تشخیص هرزنامه، تشخیص پزشکی و طبقه‌بندی تصویر هستند. در این دوره، طبقه‌بندی‌کننده‌هایی ایجاد می‌کنید که عملکردی پیشرفته را در کارهای مختلف ارائه می‌دهند. شما با موفق ترین تکنیک ها آشنا خواهید شد که بیشترین کاربرد را در عمل دارند، از جمله رگرسیون لجستیک، درخت تصمیم و تقویت. علاوه بر این، می‌توانید الگوریتم‌های زیربنایی را طراحی و پیاده‌سازی کنید که می‌توانند این مدل‌ها را در مقیاس با استفاده از گرادیان صعودی تصادفی یاد بگیرند. شما این تکنیک را در کارهای یادگیری ماشینی در مقیاس بزرگ در دنیای واقعی پیاده سازی خواهید کرد. شما همچنین به وظایف مهمی که در کاربردهای دنیای واقعی ML با آنها مواجه خواهید بود، از جمله رسیدگی به داده های از دست رفته و اندازه گیری دقت و یادآوری برای ارزیابی یک طبقه بندی کننده، رسیدگی خواهید کرد. این دوره آموزشی عملی، پر عمل و پر از تجسم ها و تصاویری از نحوه رفتار این تکنیک ها در داده های واقعی است. ما همچنین محتوای اختیاری را در هر ماژول گنجانده‌ایم که موضوعات پیشرفته‌ای را برای کسانی که می‌خواهند حتی عمیق‌تر شوند را پوشش می‌دهد! اهداف آموزشی: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل طبقه بندی را شرح دهید. -مسائل طبقه بندی باینری و چند کلاسه را برطرف کنید. -اجرای مدل رگرسیون لجستیک برای طبقه بندی در مقیاس بزرگ. یک مدل غیر خطی با استفاده از درخت های تصمیم ایجاد کنید. -با استفاده از تقویت عملکرد هر مدلی را بهبود بخشید. روش های خود را با صعود شیب تصادفی مقیاس کنید. -مرزهای تصمیم گیری اساسی را شرح دهید. - ساخت یک مدل طبقه بندی برای پیش بینی احساسات در مجموعه داده بررسی محصول. تجزیه و تحلیل داده های مالی برای پیش بینی عدم پرداخت وام. استفاده از تکنیک ها برای مدیریت داده های از دست رفته. مدل های خود را با استفاده از معیارهای فراخوان دقیق ارزیابی کنید. -این تکنیک ها را در پایتون (یا به زبان انتخابی خود، هرچند پایتون به شدت توصیه می شود) پیاده سازی کنید.