Azerbaycan Machine Learning with Python Eğitimi

Python (R ile birlikte) makine öğrenimi ve veri biliminde baskın dil haline geldi. Artık karmaşık modelleri karmaşık veri kümelerine sığdırmak için yaygın olarak kullanılıyor. Bu iki günlük yoğun eğitim, standart bir makine öğrenimi analitiği hattında çeşitli görevleri üstlenmeniz için sizi bilgi ve araçlarla donatacaktır. Model oluşturmaya başlamadan önce hem veri standardizasyonu hem de özellik seçimi açısından veri hazırlamanın önemini vurguluyoruz. Eğitim, ağaç tabanlı yöntemler, kümeleme ve seyrek regresyon modelleri de dahil olmak üzere regresyon ve sınıflandırma modellerini kapsar. Model seçimi çapraz doğrulama ve önyükleme kullanılarak gerçekleştirilir.

Katılımcıların Python programlama dilini ve ortak veri yapılarını kullanma konusunda rahat olmaları beklenmektedir. Yaygın istatistiksel terimlere biraz aşina olmak bir avantaj olabilir, ancak zorunlu değildir. Python'a Giriş eğitimine veya eşdeğer deneyime katılım yeterli olmalıdır.

• Bir dizi soruna uygun çeşitli modellerin nasıl oluşturulacağı ve niceliksel olarak nasıl değerlendirileceği
• Veri ön işleme ve düzenlemenin önemi
• Titiz bir eğitim ve test çerçevesi kullanarak modellerinin etkinliğini kendinden emin bir şekilde karşılaştırır
• Çeşitli model türleri nasıl çalışır?
• Bazı modern, son teknoloji makine öğrenimi teknikleri

Makine Öğrenimine (ML) Giriş

Makine öğrenimine ve Python'daki Numpy, Scipy ve SciKit-Learn gibi ilgili paketlere giriş.

Verilerin Yeniden İşlenmesi

Ölçeklendirme dönüşümleri ve tek bir etkin kodlamayla verilerinizin neden ve nasıl ön işlemeye tabi tutulacağını öğrenin. Tipik standardizasyon ve normalizasyon prosedürlerini ele alıyoruz.

Modellemeye Giriş

Doğrusal regresyon ve istatistiksel modelden makine öğrenimi modeline nasıl geçtiğimiz gibi giriş niteliğindeki modelleme teknikleri.

Model Değerlendirmesi

Eğitim, doğrulama ve test setlerinin yanı sıra çapraz doğrulama gibi teknikleri kullanarak modellerinizin etkinliğini ölçün. Bir modeli yargılamak için kullanılabilecek ve uygun olan farklı ölçümleri tartışıyoruz.

Düzenleme

Aşırı uyumu önlemeye ve kement, sırt ve elastik ağ regresyonu gibi özellik seçimini gerçekleştirmeye yönelik teknikler.

Kümeleme

Verilerdeki kalıpları ve yapıyı ortaya çıkarmaya yönelik denetimsiz bir öğrenme tekniği.

İleri Teknikler

Gradyan destekli ağaçlar ve destek vektör makineleri gibi algoritmalar kullanılarak daha gelişmiş bazı model uyumu.