یادگیری ماشین و هوش مصنوعی کلان داده های جدید هستند. کتابخانه scikit-learn یکی از محبوب ترین سیستم عامل ها برای یادگیری ماشینی و علم داده است زیرا بر پایه پایتون، یک زبان برنامه نویسی کاملا برجسته ساخته شده است. در این دوره با یادگیری ماشین با آموزش یک رویکرد عملی برای مدل سازی با استفاده از پایتون همراه با کتابخانه Scikit-Learn،  نتیجه نهایی استفاده از یادگیری ماشینی، ساخت خط لوله های پیچیده و تکنیک های ساخت اشیاء ترانسفورماتور سفارشی برای استخراج ویژگی ها، دستکاری و سایر تکنیک های پاک کردن داده موثر، نحوه انتخاب یک مدل، اعمال پارامترهای بهینه مطلوب و استقرار آن، کنیک های کدنویسی تمیز، طراحی ترانسفورمر شی گرا، بهترین شیوه های یادگیری ماشین در هنگام استفاده از کتابخانه Scikit-Learn و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • نسخه ی نمایشی محصول یادگیری ماشینی
  • راه اندازی محیط Anaconda
  • راه اندازی نوت بوک iPython
  • بارگیری و دستکاری اطلاعات با Pandas
  • هدف ML + تقسیم داده ها و مشکلات مشترک
  • تجزیه و تحلیل توصیفی با Pandas
  • برنامه ریزی مراحل پیش پردازش
  • تجزیه و تحلیل داده های اکتشافی
  • مدیریت داده
  • وارد کردن ارزش های گم شده
  • مدیریت Outliers
  • استخراج ویژگی
  • انتخاب ویژگی
  • ساخت اولین مدل
  • Pipelining Transformers
  • Bias/Variance Trade-Off, Overfitting, and Underfitting
  • اعتبار سنجی متقابل
  • معیارهای نمره دهی
  • توسعه پایه مدل
  • تنظیم و انتخاب مدل با استفاده از Scikit-Learn
  • پارامترهای هایپر و محدوده جستجو استراتژیک
  • اهمیت اعتبار متقابل در جستجوهای شبکه
  • “Model Wars” با استفاده از Grid Searches
  • انتخاب مدل نهایی و قرار گرفتن در معرض مجموعه Holdout
  • استقرار مدل
  • انتخاب مدل – کجا ما برویم؟
  • نوشته مختصر درباره Persistence و  Version Perils
  • استقرار اپلیکیشن ML پشت  RESTful Endpoint با Flask