توضیحات
Machin learning for Data science (level3) (ML) / یادگیری عمیق
مدت دوره: 60 ساعت قیمت پیشنهادی: 24 میلیون پیش نیاز: گام 2 و 3
- گام پنجم: یادگیری ماشین (Machine Learning)
- مفاهیم مقدماتی و پیشپردازش
- تعریف یادگیری ماشین (با تأکید بر دادههای کمی)
- معرفی مختصر دادههای کیفی (Categorical)
- پیشپردازش (نرمالسازی، مقیاسبندی، برخورد با دادههای گمشده)
- انجام پیشپردازش در R
- مدلهای یادگیری ماشین
- رگرسیون خطی (Linear Regression)
- رگرسیون لجستیک (Logistic Regression)
- درخت تصمیم (Decision Trees)
- جنگل تصادفی (Random Forest)
- ماشین بردار پشتیبان (SVM)
- پیادهسازی عملی هر مدل با استفاده از کتابخانههای caret و tidymodels در R
- ارزیابی مدلها
- شاخصهای عملکرد (RMSE، MAE، Accuracy، Precision، Recall)
- اعتبارسنجی متقاطع (Cross-Validation)
- تفسیر خروجیهای مدل در R
- یادگیری عمیق (Deep Learning)
- مبانی و مفاهیم مقدماتی
- تعریف شبکه عصبی و یادگیری عمیق
- کاربردهای یادگیری عمیق در دادههای کمی (رگرسیون و طبقهبندی)
- شبکههای عصبی مصنوعی (ANN)
- ساختار شبکههای عصبی (نورون، لایه، تابع فعالساز)
- پیادهسازی شبکه عصبی مصنوعی در R با پکیج keras
- شبکههای عصبی پیشرفته (معرفی کوتاه و عملی)
- شبکههای عصبی کانولوشن (CNN) (معرفی کاربردهای محدود در دادههای کمی، مثلاً دادههای سری زمانی یا ماتریسها)
- شبکههای عصبی بازگشتی (RNN و LSTM) برای پیشبینی سریهای زمانی
- پیادهسازی عملی با استفاده از keras در R
- ارزیابی و تنظیم شبکهها
- ارزیابی عملکرد شبکهها
- تکنیکهای جلوگیری از Overfitting (Dropout, Early Stopping)
- تنظیم Hyperparameterها در R
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.