دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: مدل سازی طبقه بندی

یک نوع مشکل مطلقاً بر یادگیری ماشین و هوش مصنوعی مسلط است: طبقه بندی. طبقه بندی دوتایی، روش غالب، داده ها را به یکی از دو دسته طبقه بندی می کند: خرید یا عدم خرید، تقلب یا عدم، بیمار یا غیره، و غیره. یادگیری ماشین و راه حل های مبتنی بر هوش مصنوعی برای انجام صحیح طبقه بندی به الگوریتم های دقیق و خوب انتخاب شده نیاز دارند. 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 برای پروژه های خود را انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشین مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیث نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب صحیح اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف برای ساختن مدل شما، از تجزیه و تحلیل متمایز گرفته تا رگرسیون لجستیک تا شبکه های عصبی مصنوعی را نشان می دهد. در نهایت، نحوه غلبه بر چالش هایی مانند برخورد با داده های مفقوده و کاهش داده ها را بیاموزید.

توجه: این آموزش ها بر روی نظریه و کاربرد عملی الگوریتم های طبقه بندی دودویی متمرکز شده است. همراه با دوره نیازی به نرم افزار نیست.
اهداف یادگیری
چرا به طبقه بندی نیاز دارید؟
الگوریتم های آماری در مقابل الگوریتم های یادگیری ماشین
ترکیب مدلها با استفاده از مجموعه
چالش های مدل سازی طبقه بندی