×

آموزش یادگیری جمعی (Ensemble Learning) (رایگان)

آموزش یادگیری جمعی (Ensemble Learning) (رایگان)

تعداد دانشجو
۲۴۷ نفر
مدت زمان
۱ ساعت و ۱۴ دقیقه
هزینه آموزش
رایگان!
محتوای این آموزش
۲ بازخورد (مشاهده نظرات)
آموزش یادگیری جمعی (Ensemble Learning) (رایگان)

یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند.ما در این آموزش قصد داریم تا یادگیری جمعی (Ensemble Learning) را مورد بحث و بررسی قرار دهیم.

آموزش یادگیری جمعی (Ensemble Learning) (رایگان)

مدت زمان
۱ ساعت و ۱۴ دقیقه
هزینه آموزش
رایگان!
۲ بازخورد (مشاهده نظرات)
مدرس
فرشید شیرافکن

دکتری تخصصی بیوانفورماتیک

فرشید شیرافکن دارای دکترای بیوانفورماتیک از دانشگاه تهران هستند. ایشان به عنوان مدرس نمونه در زمینه ارائه و آموزش دروس دانشگاهی انتخاب شده‌اند، همچنین ایشان مشاور کنکور نیز می‌باشند و بیش از 30 کتاب در زمینه کنکور رشته کامپیوتر تالیف کرده‌اند.

توضیحات تکمیلی

یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند.

ما در این آموزش قصد داریم تا یادگیری جمعی (Ensemble Learning) را مورد بحث و بررسی قرار دهیم.

این آموزش رایگان بخشی از آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) – بخش دوم می باشد. برای کسب اطلاعات بیشتر و استفاده از این آموزش بر روی این لینک (+) کلیک کنید.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • یادگیری جمعی (Ensemble Learning)
    • نمونه برداری با روش Bootstrap
    • روش Bagging
    • دسته بندی Random Forest
    • روش Boosting
    • الگوریتم AdaBoost
    • مثال جامع برای الگوریتم AdaBoost
    • خطای آموزش

پیش نیاز


آنچه در این آموزش خواهید دید:

برنامه آموزشی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس




آموزش یادگیری جمعی (Ensemble Learning)
جهت شروع مطالعه و یادگیری نیاز است بعد از ورود (+) و یا عضویت (+) بر روی دکمه «شروع یادگیری» کلیک کنید.

اطلاعات تکمیلی

نام آموزش آموزش یادگیری جمعی (Ensemble Learning) (رایگان)
ناشر فرادرس
کد آموزش FVDM94062S03
مدت زمان ۱ ساعت و ۱۴ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۸۱ بایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)






نظرات

Neda
Neda

فوق العاده
پاسخ به نظر

زهرا
زهرا

مسائلی که خیلی سخت درک میشن رو به سادگی آموزش دادن.بسیار عالی
پاسخ به نظر

برچسب‌ها:
averaged link | BDS | Bootstrap aggregating | centroid | complete link | Confidence | DBSCAN | Ensemble Learning | Feature Extractoin | Feature Selection | fvdm9406 machine-learning 1 | fvdm94062 machine-learning-2 | Graphbased | k-d tree | knn برای پیشگویی عددی | LDA | LRS | Machine Learning | Partitional Clustering | PCA | SBS | SFFS | SFS | single link | SSE | Support | آزمون آماری T | آموزش بدون نظارت | احتمال توام در شبکه DAG | ارزیابی قوانین انجمنی | استخراج ویزگی با روش PCA | استخراج ویژگی | استراتژی انتخاب K | استراتژی جستجو | اصلاح لاپلاسین | اطمینان | اعمال PCA بر روی تصاویر | الگوریتم AdaBoost | الگوریتم Apriori | الگوریتم KMeans | الگوریتم KNN | الگوریتم استخراج ویژگی با نظارت | الگوریتم استخراج ویژگی بدون نظارت | الگوریتم کشف آنومالی | الگوریتم های خوشه بندی | الگوریتم های فرا ابتکاری | انتخاب K مناسب | انتخاب تعداد کلاسترها | انتخاب کلاسترها | انتخاب ویژگی | اندازه k در مرز تصمیم | انواع داده های پرت | بردار و مقدار ویژه | بیان مساله کاوش قوانین انجمنی | پشتیبانی | تجزیه مقدارهای منفرد | تجسم داده ها | تحلیل سبد خرید | تحلیل عناصر اصلی | تشخیص داده پرت | تشخیص داده پرت با نظارت | تشخیص داده پرت بدون نظارت | تقلیل ابعاد | تقلیل ابعاد و کاربردهای آن | تکنیک های instance based | خطای آموزش | خوشه بندی | خوشه بندی افرازی | خوشه بندی تجمعی | خوشه بندی تقسیمی | خوشه بندی سلسله مراتبی | خوشه بندی مبتنی بر چگالی | داده پرت | داده پرت جمعی | داده پرت زمینه ای | داده پرت سراسری | داده های پرت به کمک BoxPlot | دترمینان ماتریس | درس یکم: دسته بندی بیز | دسته بندی K نزدیکترین همسایه | دسته بندی Random Forest | دیاگرام Voronoi | روش Bagging | روش Boosting | روش Bootstrap | روش DBSCAN | روش Kmeans | روش آرنجی | روش دسته بند Wrapper | روش فیلتر | روش مبتنی بر خوشه بندی | روش مبتنی بر دسته بندی | روش مبتنی بر نزدیکی | سیستم های کشف آنومالی | شاخص Rand | شبکه DAG | شبکه باور بیز | فاصله دو کلاستر | قانون قوی | قضیه بیز - تعمیم قضیه بیز | قوانین انجمنی قابل استخراج | کاربردهای خوشه بندی | کاوش قوانین انجمنی | کرنل PCA | کشف داده های پرت | ماتریس قطری و متعامد | ماتریس کواریانس | مثال | مثال جالب برای KMeans | مدل گوسین چند متغیره | مرز تصمیم | مشکل بهینه محلی | معرفی KNN | معیار Matual information | معیار شباهت در مرز تصمیم | معیار شباهت کسینوس | معیارهای ارزیابی بدون ناظر | معیارهای شباهت | مقدمه ای بر احتمال – احتمال شرطی | مقدمه ای بر انتخاب ویژگی | نقاط حاشیه ای | نقاط نویزی | نقاط هسته ای | نمودار دندروگرام | نمونه برداری | نویز | هرس قانون | همگرایی Kmeans | هیستوگرام | یادگیری جمعی
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۰ جلسه ویدئویی