[ENGLISH]

01 Course Overview [2mins]
01-01 Course Overview [2mins]

02 Using Numeric Data in Machine Learning Algorithms [54mins]
02-01 Version Check [0mins]
02-02 Module Overview [1mins]
02-03 Prerequisites and Course Outline [2mins]
02-04 Scaling and Standardization [4mins]
02-05 Mean, Variance, and Standard Deviation [4mins]
02-06 Understanding Variance [4mins]
02-07 Demo- Calculating Mean, Variance, and Standard Deviation [7mins]
02-08 Demo- Box Plot Visualization and Data Standardization [7mins]
02-09 Standard Scaler [4mins]
02-10 Demo- Standardize Data Using the Scale Function [5mins]
02-11 Demo- Standardize Data Using the Standard Scalar Estimator and Apply Bessels Correction [4mins]
02-12 Robust Scaler [4mins]
02-13 Demo- Scaling Data Using the Robust Scaler [7mins]
02-14 Summary [1mins]

03 Building Features Using Normalization [35mins]
03-01 Module Overview [1mins]
03-02 What Is Normalization [2mins]
03-03 Normalization and Cosine Similarity [8mins]
03-04 Demo- Cosine Similarity and the L2 Norm [7mins]
03-05 Demo- Normalizing Data to Simplify Cosine Similarity Calculations [4mins]
03-06 Demo- K-means Clustering with Cosine Similarity [4mins]
03-07 L1, L2 and Max Norms [3mins]
03-08 Demo- Normalization Using L1, L2 and Max Norms [5mins]
03-09 Summary [1mins]

04 Building Features Using Scaling and Transformations [54mins]
04-01 Module Overview [1mins]
04-02 Converting Continuous Data to Categorical [3mins]
04-03 Demo- Convert Numeric Data to Binary Categories Using a Binarizer [5mins]
04-04 Demo- Using the KBinsDiscretizer to Categorize Numeric Values [6mins]
04-05 Demo- Using Bin Values to Flag Outliers [3mins]
04-06 Scaling Data [2mins]
04-07 Demo- Scaling with the MaxAbsScaler [2mins]
04-08 Demo- Scaling with the MinMaxScaler [3mins]
04-09 Custom Transformations [1mins]
04-10 Demo- Performing Custom Transforms Using the FunctionTransformer [3mins]
04-11 Generating Polynomial Features [2mins]
04-12 Demo- Using Polynomial Features to Transform Data [6mins]
04-13 Transforming Features to Gaussian-like Distributions Using Power Transformers [1mins]
04-14 Demo- Working with Chi Squared Distributed Input Features [5mins]
04-15 Demo- Applying Power Transformers to Get Normal Distributions [4mins]
04-16 Transforming Data to Normal or Uniform Distributions Using Quantile Transformers [1mins]
04-17 Demo- Tranforming to a Normal Distribution Using the QuantileTransformer [4mins]
04-18 Summary and Further Study [2mins]

[فارسی]

01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]

02 استفاده از داده‌های عددی در الگوریتم‌های یادگیری ماشین [54 دقیقه]
02-01 بررسی نسخه [0 دقیقه]
02-02 نمای کلی ماژول [1 دقیقه]
02-03 پیش نیازها و خلاصه دوره [2 دقیقه]
02-04 مقیاس‌بندی و استانداردسازی [4 دقیقه]
02-05 میانگین، واریانس و انحراف معیار [4 دقیقه]
02-06 درک واریانس [4 دقیقه]
02-07 نسخه نمایشی- محاسبه میانگین، واریانس و انحراف استاندارد [7 دقیقه]
02-08 نسخه‌ی نمایشی- تصویرسازی باکس پلات و استانداردسازی داده‌ها [7 دقیقه]
02-09 مقیاس‌کننده استاندارد [4 دقیقه]
02-10 نسخه‌ی نمایشی- استاندارد کردن داده‌ها با استفاده از تابع مقیاس [5 دقیقه]
02-11 نسخه‌ی نمایشی- استاندارد کردن داده‌ها با استفاده از تخمینگر اسکالر استاندارد و اعمال تصحیح بیسل [4 دقیقه]
02-12 مقیاس کننده قوی [4 دقیقه]
02-13 نسخه‌ی نمایشی- مقیاس‌بندی داده‌ها با استفاده از مقیاس کننده قوی [7 دقیقه]
02-14 خلاصه [1 دقیقه]

03 ویژگی‌های ساختمان با استفاده از عادی‌سازی [35 دقیقه]
03-01 نمای کلی ماژول [1 دقیقه]
03-02 عادی‌سازی چیست؟ [2 دقیقه]
03-03 عادی‌سازی و شباهت کسینوس [8 دقیقه]
03-04 نسخه‌ی نمایشی- شباهت کسینوس و هنجار L2 [7 دقیقه]
03-05 نسخه‌ی نمایشی- عادی‌سازی داده‌ها برای ساده کردن محاسبات شباهت کسینوس [4 دقیقه]
03-06 نسخه‌ی نمایشی- K-means خوشه‌بندی با شباهت کسینوس [4 دقیقه]
03-07 هنجارهای L1، L2 و حداکثر [3 دقیقه]
03-08 نسخه‌ی نمایشی- عادی‌سازی با استفاده از هنجارهای L1، L2 و حداکثر [5 دقیقه]
03-09 خلاصه [1 دقیقه]

04 ویژگی‌های ساختمان با استفاده از مقیاس‌بندی و تبدیل [54 دقیقه]
04-01 نمای کلی ماژول [1 دقیقه]
04-02 تبدیل داده‌های پیوسته به دسته‌بندی [3 دقیقه]
04-03 نسخه‌ی نمایشی- تبدیل داده‌های عددی به دسته‌های باینری با استفاده از باینریزر [5 دقیقه]
04-04 نسخه‌ی نمایشی- استفاده از KBinsDiscretizer برای دسته‌بندی مقادیر عددی [6 دقیقه]
04-05 نسخه‌ی نمایشی- استفاده از مقادیر Bin برای پرچم گذاری نقاط پرت [3 دقیقه]
04-06 مقیاس‌بندی داده‌ها [2 دقیقه]
04-07 نسخه‌ی نمایشی- مقیاس‌بندی با MaxAbsScaler [2 دقیقه]
04-08 نسخه‌ی نمایشی- مقیاس‌بندی با MinMaxScaler [3 دقیقه]
04-09 تغییرات سفارشی [1 دقیقه]
04-10 نسخه‌ی نمایشی- انجام تبدیل‌های سفارشی با استفاده از FunctionTransformer [3 دقیقه]
04-11 ایجاد ویژگی‌های چند جمله‌ای [2 دقیقه]
04-12 نسخه‌ی نمایشی- استفاده از ویژگی‌های چند جمله‌ای برای تبدیل داده‌ها [6 دقیقه]
04-13 تبدیل ویژگی‌ها به توزیع‌های گاوس مانند با استفاده از ترانسفورماتورهای قدرت [1 دقیقه]
04-14 نسخه‌ی نمایشی- کار با ویژگی‌های ورودی توزیع شده Chi Squared [5 دقیقه]
04-15 نسخه‌ی نمایشی- استفاده از ترانسفورماتورهای قدرت برای دریافت توزیع‌های عادی [4 دقیقه]
04-16 تبدیل داده‌ها به توزیع‌های معمولی یا یکنواخت با استفاده از ترانسفورماتورهای کوانتیل [1 دقیقه]
04-17 نسخه‌ی نمایشی- تبدیل به یک توزیع عادی با استفاده از QuantileTransformer [4 دقیقه]
04-18 خلاصه و مطالعه بیشتر [2 دقیقه]