یکی از مهمترین جنبههای یادگیری ماشینی استفاده از دادههای مناسب در قالب مناسب برای مدلهای شما است. در این دوره آموزشی یاد خواهید گرفت که چگونه با استفاده از استودیوی یادگیری ماشینی Azure بهترین ویژگیها را برای مدلهای خود استخراج، عادیسازی و انتخاب کنید.
آنچه یاد خواهید گرفت:
پنهانی نیست که دانشمندان داده بخش بسیار زیادی از زمان خود را صرف تهیه دادهها میکنند. در این دوره، انتخاب ویژگی و استخراج در Microsoft Azure، شما توانایی آمادهسازی دادههای خود را برای استفاده در مدلهای یادگیری ماشین خود به دست خواهید آورد. ابتدا، نحوه استخراج ویژگیها از دادههای خام، از جمله فرمتهای غیر متنی را یاد خواهید گرفت. در مرحله بعد، نحوه عادیسازی ویژگیها، تبدیل دادههای خود به یک مقیاس معمولی بدون تحریف دادهها را خواهید یافت. در نهایت، نحوه انتخاب ویژگیهایی را که بیشتر به مدل شما مرتبط هستند را بررسی خواهید کرد. پس از اتمام این دوره، مهارتها و دانش استخراج ویژگی، عادیسازی و انتخاب مورد نیاز برای آمادهسازی دادههای خود را خواهید داشت. نرمافزار مورد نیاز: Azure ML Studio classic.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[ENGLISH]
01 Course Overview [2mins]
01-01 Course Overview [2mins]
02 Exploring Your Dataset for Feature Selection and Extraction [19mins]
02-01 Exploring Your Dataset for Feature Selection and Extraction [2mins]
02-02 What Is a Feature in Machine Learning? [4mins]
02-03 Exploring Your Data and Identifying the Distribution of Your Data [5mins]
02-04 Determining the Feature Structure Appropriate for the Algorithm and Task [2mins]
02-05 Dataset Exploration Demo [5mins]
02-06 Takeaway [1mins]
03 Performing Feature Extraction [24mins]
03-01 What Is Feature Extraction? [1mins]
03-02 Performing Feature Extraction [8mins]
03-03 Creating and Using Feature Extraction Algorithms [2mins]
03-04 Performing Feature Extraction on Unstructured Text [6mins]
03-05 Demo: Human Face or Not Human Face? [6mins]
03-06 Takeaway [1mins]
04 Performing Feature Normalization [20mins]
04-01 Performing Feature Normalization [1mins]
04-02 Understanding Feature Normalization [2mins]
04-03 Clip Values Demo [3mins]
04-04 Group Data into Bins Demo [3mins]
04-05 Normalize Data Demo [3mins]
04-06 Principal Component Analysis Demo [3mins]
04-07 Encoding Features Demo [4mins]
04-08 Takeaway [1mins]
05 Performing Feature Selection [23mins]
05-01 Performing Feature Selection [2mins]
05-02 Understanding Feature Selection [2mins]
05-03 Fliter Based Feature Selection Demo [3mins]
05-04 Fisher Linear Discriminant Analysis Demo [6mins]
05-05 Permutation Feature Importance Demo [4mins]
05-06 Compute Linear Correlation Demo [5mins]
05-07 Takeaway [1mins]
06 Final Takeaway [2mins]
06-01 Final Takeaway [2mins]
[فارسی]
01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]
02 کاوش مجموعه داده خود برای انتخاب و استخراج ویژگی [19 دقیقه]
02-01 کاوش مجموعه داده شما برای انتخاب و استخراج ویژگی [2 دقیقه]
02-02 ویژگی در یادگیری ماشین چیست؟ [4 دقیقه]
02-03 کاوش دادههای شما و شناسایی توزیع دادههای شما [5 دقیقه]
02-04 تعیین ساختار ویژگی مناسب برای الگوریتم و کار [2 دقیقه]
02-05 نسخه نمایشی کاوش مجموعه داده [5 دقیقه]
02-06 غذای آماده [1 دقیقه]
03 انجام استخراج ویژگی [24 دقیقه]
03-01 استخراج ویژگی چیست؟ [1 دقیقه]
03-02 انجام استخراج ویژگی [8 دقیقه]
03-03 ایجاد و استفاده از الگوریتمهای استخراج ویژگی [2 دقیقه]
03-04 انجام استخراج ویژگی در متن بدون ساختار [6 دقیقه]
03-05 نسخهی نمایشی- چهره انسان یا نه چهره انسان؟ [6 دقیقه]
03-06 غذای آماده [1 دقیقه]
04 انجام عادیسازی ویژگی [20 دقیقه]
04-01 انجام عادیسازی ویژگی [1 دقیقه]
04-02 درک عادیسازی ویژگی [2 دقیقه]
04-03 نسخه نمایشی مقادیر کلیپ [3 دقیقه]
04-04 گروهبندی دادهها در Bins Demo [3 دقیقه]
04-05 عادیسازی دادهها نسخه نمایشی [3 دقیقه]
04-06 نسخه نمایشی تجزیه و تحلیل مؤلفه اصلی [3 دقیقه]
04-07 نسخه نمایشی ویژگیهای رمزگذاری [4 دقیقه]
04-08 غذای آماده [1 دقیقه]
05 انجام انتخاب ویژگی [23 دقیقه]
05-01 انجام انتخاب ویژگی [2 دقیقه]
05-02 درک انتخاب ویژگی [2 دقیقه]
05-03 نسخه نمایشی انتخاب ویژگی مبتنی بر Fliter [3 دقیقه]
05-04 نسخه نمایشی تجزیه و تحلیل تشخیص خطی فیشر [6 دقیقه]
05-05 نسخه نمایشی اهمیت ویژگی جایگشت [4 دقیقه]
05-06 محاسبه نسخه نمایشی همبستگی خطی [5 دقیقه]
05-07 غذای آماده [1 دقیقه]
06 غذای آماده نهایی [2 دقیقه]
06-01 غذای آماده نهایی [2 دقیقه]
خاویر به تدریس بسیار علاقه مند است و به دیگران کمک میکند تا جستجو و دادههای بزرگ را درک کنند. او همچنین یک کارآفرین، مدیر پروژه، نویسنده فنی، مربی است و دارای چندین گواهینامه با Cloudera، Microsoft و Scrum Alliance و همچنین MVP مایکروسافت است. او بخش زیادی از دوران حرفهای خود را صرف پروژههای پیشرفته با تمرکز اصلی بر روی داتنت، Solr و Hadoop در میان چند فناوری جالب دیگر کرده است. او در طول پروژههای متعدد، مهارتهایی را برای مقابله با راهحلهای نرمافزاری پیچیده سازمانی، کار با شرکتهایی که از استارتآپها گرفته تا مایکروسافت را شامل میشود، به دست آورده است. خاویر همچنین به عنوان v-trainer/evangelist در سراسر جهان برای مایکروسافت کار کرد.