</> Softromeda Edu

🤖 Mashinali o'qitish asoslari

Ma'lumotdan modelgacha - 20 bosqichli amaliy qo'llanma

📚 20 bo‘lim 🎯 O‘rta 👁 118 ko‘rish
O‘qishni boshlash

Darslik haqida

Mashinali o'qitish - sun'iy intellektning eng amaliy sohasi. Ushbu darslikda siz noldan boshlab ma'lumot bilan ishlashni, modellarni qurishni va ularni baholashni o'rganasiz: NumPy va Pandas, ma'lumotni tozalash va vizuallashtirish, chiziqli va logistik regressiya, qaror daraxtlari, klasterlash, PCA, qayta o'qitish muammosi, giperparametrlarni sozlash, neyron tarmoqlar asoslari va modelni ishlab chiqarishga chiqarish. Barcha kod misollarida o'zgaruvchi va funksiya nomlari o'zbek tilida yozilgan.

Darslik mundarijasi

  1. 1 Mashinali o'qitish nima? Sun'iy intellekt, mashinali o'qitish va chuqur o'qitish orasidagi farq, asosiy turlar va real qo'llanilishi. 9 daq.
  2. 2 Ish muhitini sozlash Python, virtual muhit, kutubxonalar va Jupyter Notebook ni o'rnatish hamda birinchi kodni ishga tushirish. 16 daq.
  3. 3 NumPy - massivlar bilan ishlash ndarray yaratish, indekslash, vektorlashtirilgan amallar, broadcasting va statistik funksiyalar. 23 daq.
  4. 4 Pandas - jadvallar bilan ishlash DataFrame va Series, fayl o'qish, filtrlash, guruhlash, birlashtirish va tezkor ma'lumot tahlili. 24 daq.
  5. 5 Ma'lumotni vizuallashtirish Matplotlib va Seaborn bilan grafiklar chizish, taqsimotni ko'rish va ma'lumotdagi muammolarni topish. 11 daq.
  6. 6 Ma'lumotni tayyorlash Bo'sh qiymatlar, chetdagi qiymatlar, toifali belgilarni kodlash, masshtablash va o'qitish/sinov ga bo'lish. 18 daq.
  7. 7 Chiziqli regressiya Eng sodda va eng muhim model - chiziqli regressiya qanday ishlaydi, gradient tushish va koeffitsiyentlarni talqin qilish... 15 daq.
  8. 8 Polinomial regressiya va regularizatsiya Chiziqli bo'lmagan bog'liqliklar, qayta o'qitish muammosi va Ridge, Lasso, ElasticNet usullari. 15 daq.
  9. 9 Logistik regressiya va klassifikatsiya Toifani bashorat qilish, sigmoid funksiya, ehtimollik, qaror chegarasi va ko'p sinfli klassifikatsiya. 15 daq.
  10. 10 Modelni baholash Chalkashlik matritsasi, precision, recall, F1, ROC-AUC va nomutanosib sinflar bilan ishlash. 14 daq.
  11. 11 K-yaqin qo'shni (KNN) Eng sodda algoritm - masofaga asoslangan bashorat, k ni tanlash, masofa turlari va tavsiya tizimlari. 11 daq.
  12. 12 Qaror daraxti va Random Forest Daraxtlar qanday qaror qabul qiladi, Gini va entropiya, ansambl usullari va belgilar muhimligi. 16 daq.
  13. 13 SVM va Naive Bayes Qo'llab-quvvatlovchi vektorlar usuli, yadro hiylasi va ehtimolliklarga asoslangan Naive Bayes klassifikatori. 14 daq.
  14. 14 Klasterlash K-means, ierarxik klasterlash va DBSCAN - javobsiz ma'lumotdan guruhlarni topish. 12 daq.
  15. 15 O'lchamni kamaytirish va PCA Asosiy komponentalar tahlili, tushuntirilgan tarqoqlik, vizuallashtirish va t-SNE bilan tanishuv. 14 daq.
  16. 16 Kross-validatsiya va qayta o'qitish K-fold validatsiya, o'qitish egri chiziqlari, siljish va tarqoqlik muvozanati hamda ma'lumot sizib chiqishi. 12 daq.
  17. 17 Giperparametrlarni sozlash va Pipeline GridSearchCV, RandomizedSearchCV, ColumnTransformer va to'liq ish oqimini avtomatlashtirish. 13 daq.
  18. 18 Neyron tarmoqlar asoslari Perseptron, ko'p qatlamli tarmoq, faollashtirish funksiyalari, teskari tarqalish va chuqur o'qitishga kirish. 15 daq.
  19. 19 Modelni ishlab chiqarishga chiqarish Modelni saqlash, REST API yaratish, monitoring, ma'lumot siljishi va ML tizimini qo'llab-quvvatlash. 14 daq.
  20. 20 Amaliy loyiha - talaba muvaffaqiyatini bashorat qilish Ma'lumot tahlilidan tayyor modelgacha - barcha bilimlarni birlashtirgan to'liq loyiha. 20 daq.