×

آموزش درخت تصمیم در یادگیری ماشین (رایگان)

آموزش درخت تصمیم در یادگیری ماشین (رایگان)

تعداد دانشجو
۲۷۴ نفر
مدت زمان
۵۸ دقیقه
هزینه آموزش
رایگان!
محتوای این آموزش
۲ بازخورد (مشاهده نظرات)
آموزش درخت تصمیم در یادگیری ماشین (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 درخت تصمیم در یادگیری ماشین را مورد بحث و بررسی قرار دهیم.

آموزش درخت تصمیم در یادگیری ماشین (رایگان)

مدت زمان
۵۸ 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 درخت تصمیم در یادگیری ماشین را مورد بحث و بررسی قرار دهیم.

این آموزش رایگان بخشی از آموزش یادگیری ماشین (Machine Learning) (تئوری – عملی) 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:
  • درخت تصمیم
    • چند مثال برای درخت تصمیم
    • الگوریتم های ساختن درخت تصمیم
    • الگوریتم Hunt
    • آنتروپی
    • بهره (Gain)
    • نسبت کسب اطلاعات
    • الگوریتم ID3
    • ضریب Gini
    • شکست چند انشعابی
    • مقایسه آنتروپی و Gini
    • ضریب Gini برای ویژگی های پیوسته
    • تعیین قانون با ارزش تر
    • بررسی چند مثال
    • بیش برازش ناشی از نویز
    • هرس کردن (Pruning)
    • مزایا و معایب درخت تصمیم

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




درخت تصمیم
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 درخت تصمیم در یادگیری ماشین (رایگان)
ناشر فرادرس
کد آموزش FVDM9406S08
مدت زمان ۵۸ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۶۶ بایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)



آموزش‌های پیشنهادی برای شما



نظرات

نرگس
نرگس

واقعا عالی بود .هم زبانش روان بودو هم پر از مثال و حل دقیق روابط که فهم رو بسیار راحت میکرد .ممنون
پاسخ به نظر

اندیشه زندی
اندیشه زندی

بیانی ساده ، مسلط، گویا و کامل.  سپاس
پاسخ به نظر

برچسب‌ها:
accuracy | Back Propagation | Bias | Bias & Variance | BoxPlot | Confusion Matrix | Contour | Correlation | Cost Function | Cross-Validation | False Negative | False Positive | Fscore | Gain | Hyperbolique | Kernel | Kernel Trick | logistic regression | Minkowski | Overfit | Overfitting | Perceptron | precision | Pruning | Recall | Sigmoid | Specificity | SVM | True Negative | True Positive | variance | آنتروپی | اثبات قانون دلتا | استراتژی های کاهش داده ها | اعمال پیش پردازش | الگوریتم Hunt | الگوریتم ID3 | الگوریتم پس انتشار خطا | الگوریتم ساخت درخت تصمیم | الگوریتم گرادیان کاهشی | الگوریتم های دسته بندی | انحراف معیار | انواع الگوریتم های یادگیری | انواع خطا | انواع داده | با نظارت و بدون نظارت | بایاس | بایاس و واریانس | بردارهای پشتیبان | بررسی چند | بررسی دقیق منحنی Roc | بررسی همگرایی | بهره | بهینه سازی حداکثر کردن اندازه حاشیه | بهینه سازی ماشین بردار پشتیبان با حاشیه نرم | بیش برازش ناشی از نویز | بیش پردازش | پارامتر سیگما | پاک سازی داده ها | پرسپترون | پرسپترون چند لایه | پیاده سازی OR | پیاده سازی گیت XNOR | پیاده سازی گیت XOR و XNOR | پیچیدگی مدل | پیش پردازش داده | تابع تحریک تانژانت هیپربولیک | تابع تحریک سیگموئید | تابع هزینه | تانژانت هیپربولیک | تبدیل داده ها | تجمیع داده ها | ترکیب داده ها | تعمیم پذیری | تعیین قانون با ارزش تر | تک متغیره | چارک ها | چند جمله ای | چند متغیره | حقه کرنل | حل مساله های بهینه سازی | خروجی شبکه عصبی | خوشه بندی | داده نویز | داده های آموزشی | درخت تصمیم | دسته بندی های خطی | دیتاست Iris | رسیدگی به داده های گم شده | رگرسیون | رگرسیون خطی | رگرسیون لجستیک | روش سبدی | روش های اجتناب از آن | سیستم های یادگیری | سیگموئید | شاخص های آماری | شبکه عصبی پرسپترون چند لایه | شبکه عصبی مصنوعی | شرایط KKT | شکست چند انشعابی | ضرایب لاگرانژ | ضریب Gini | عدم شباهت داده های عددی | فاصله از ابر صفحه | فاصله ها | فرم دوگان لاگرانژ | فرم ماتریسی | فرمول به هنگام سازی وزن ها | فیشر یا LDA | قاعده مشتق زنجیره ای | قانون آموزش پرسپترون | قانون دلتا | کاهش داده ها | کرنل | کرنل گوسی | کرنل های معروف | کلاس بندی با چند کلاس | کلاس بندی داده ها | گرادیان کاهشی | گرسیون خطی چند متغیره | گسسته سازی | گوسی | ماتریس درهم ریختگی | ماتریس درهم ریختگی برای بیش از دو کلاس | ماشین بردار پشتیبان | ماشین بردار پشتیبان با حاشیه نرم | محاسبه اندازه حاشیه | محاسبه معادله خط جدا کننده دو کلاس | مرز تصمیم خطی | مرز تصمیم غیر خطی | مزایا SVM | مزایا و معایب درخت تصمیم | مزایای درخت تصمیم | معادله نرمال | معایب SVM | معایب درخت تصمیم | معرفی PCA | معرفی اولیه کاهش ابعاد | معرفی معیار | معیار کسینوس برای شباهت | معیارهای کیفیت داده | مقایسه آنتروپی و Gini | مینکوفسکی | نرخ یادگیری | نسبت کسب اطلاعات | نقشه های توپوگرافیک | نگاشت داده ها به فضای دیگر | نمایش گرافیکی توصیف های آماری | نمودار چارک | نمودار میله ای | نمونه برداری | نورون های مصنوعی | هرس کردن | هموار سازی داده ها | هیستوگرام | وابستگی | واریانس | ویژگی های اسمی | ویژگی های باینری | ویژگی های پیوسته | یادگیری بدون نظارت | یادگیری ماشین | یادگیری ماشین و کاربردهای آن | یاده سازی گیت XOR
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۰ جلسه ویدئویی