آموزش پایه‌های یادگیری ماشین

در دوره "The Nuts and Bolts of Machine Learning"، شما درباره یادگیری ماشین آموزش می‌بینید که از الگوریتم‌ها و آمار برای آموزش سیستم‌های کامپیوتری به منظور کشف الگوها در داده‌ها استفاده می‌شود. حرفه‌ای‌های داده از یادگیری ماشین برای تجزیه و تحلیل مقادیر بزرگ داده، حل مسائل پیچیده و انجام پیش‌بینی‌های دقیق استفاده می‌کنند.

شما بر روی دو نوع اصلی یادگیری ماشین، یعنی نظارت شده و بدون نظارت، تمرکز خواهید داشت. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشین مختلف را برای حل مسائل تجاری به کار ببرید و با مدل‌های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا شوید.

کارمندان گوگل که در حال حاضر در این زمینه کار می‌کنند، شما را از طریق فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، با مثال‌هایی از کار روزمره‌شان آشنا می‌کنند و به شما کمک می‌کنند مهارت‌های تجزیه و تحلیل داده خود را برای آمادگی برای حرفه‌ای‌تر شدن ارتقا دهید.

تا پایان این دوره، شما قادر خواهید بود:

• تکنیک‌های مهندسی ویژگی را با استفاده از پایتون اعمال کنید
• یک مدل Naive Bayes را بسازید
• توضیح دهید چگونه یادگیری بدون نظارت از یادگیری نظارت شده متمایز است
• الگوریتم K-means را در پایتون کد کنید
• نتایج مدل K-means را ارزیابی و بهینه‌سازی کنید
• مدل‌های درخت تصمیم را بررسی کنید، چگونگی عملکرد آن‌ها و مزایای آن‌ها نسبت به انواع دیگر یادگیری ماشین را توضیح دهید
• مفهوم bagging در یادگیری ماشین، به ویژه برای مدل‌های جنگل تصادفی را توصیف کنید
• افزایش در یادگیری ماشین، به ویژه برای مدل‌های XGBoost را تفکیک کنید
• پارامترهای تنظیم مدل و نحوه اثرگذاری آن‌ها بر عملکرد و معیارهای ارزیابی را توضیح دهید