سبد خرید
در جریان باش !

طبقه‌بندی و رگرسیون

اطلاعات سرفصل آموزشی

222 دانشجو
30 جلسه 1 آزمون
20 پرسش و پاسخ

890,000 تومان

مدرس

مسعود کاویانی

آشنایی با مدرس
به اشتراک بگذارید

لیست جلسات

طبقه بندی مجموعه داده‌ی MNIST بخش مقدماتی 47:04
معرفی الگوریتم SVM و استفاده از آن در داده کاوی 42:24
معیارهای Accuarcy، Precision، Recall و F1 برای ارزیابی دقت، صحت و پوشش یک الگوریتم طبقه بندی 44:44
الگوریتم KNN (نزدیک‌ترین همسایه) در طبقه بندی 34:07
الگوریتم درخت تصمیم و مجموعه‌ی داده‌ی گل‌های زنبق (قسمت اول) 28:19
الگوریتم درخت تصمیم و مجموعه‌ی داده‌ی گل‌های زنبق (قسمت دوم) 32:27
ناخالصی جینی (Gini Impurity) و بهره اطلاعاتی (Information Gain) 31:57
بررسی مفهوم bias و variance در طبقه بندی 42:07
الگوریتم جنگل تصادفی (Random Forest) 26:12
الگوریتم Adaboost 32:10
نگاهی دقیق‌تر به پارامترهای الگوریتم SVM (قسمت اول) 30:16
نگاهی دقیق‌تر به پارامترهای الگوریتم SVM (قسمت دوم) 23:17
نگاهی دقیق‌تر به پارامترهای الگوریتم RandomForest 31:55
نگاهی دقیق‌تر به پارامترهای الگوریتم KNN 35:17
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت اول 27:41
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت دوم 12:51
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت سوم 29:20
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت چهارم 31:11
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت پنجم 21:02
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت ششم 32:03
شناسایی بیماران قلبی با استفاده از الگوریتم‌های طبقه بندی 35:26
پیدا کردن بهترین پارامترها در الگوریتم‌ها با استفاده از جستجوی مشبک (Grid Search) 40:48
آشنایی با مسائل رگرسیون و حل مسئله‌ی پیش‌بینی دما (قسمت اول) 39:38
آشنایی با مسائل رگرسیون و حل مسئله‌ی پیش‌بینی دما (قسمت دوم) 24:53
الگوریتم Gradient Boosting و XGBoost برای طبقه‌بندی و رگرسیون 33:37
الگوریتم XGBoost و حل مسئله‌ی تخمین قیمت منزل 40:15
الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت اول) 33:20
الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت دوم) 44:07
الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت سوم - یادگیری ماشین با GPU و یادگیری با وقفه) 23:43
آزمون پایان فصل
جمع بندی نیمه‌ی اول دوره تا اینجا + مباحث تکمیلی ارائه شده در آینده 30:45

توضیحات

آشنایی با الگوریتم‌ها مختلف