ماشین لرنینگ

شبکه های عصبی عمیق در طول سالها به طرز چشمگیری تکامل یافته اند و بر چالش های متداول که هنگام آموزش این مدل های پیچیده بوجود می آیند ، غلبه می کنند. منبع: machinelearningmastery.com

در این مقاله خلاصه ای از و تفسیری در مورد مقاله اخیر

توسعه سیستم های یادگیری ماشین مستلزم یک چرخه عمر کاملاً تثبیت شده ، متشکل از یک سری مراحل از تهیه داده ها و پیش پردازش گرفته تا مدل سازی ، اعتبار سنجی ، استقرار به تولید و نگهداری مداوم است. منبع: machinelearningmastery.com

تقویت شیب شدید (XGBoost) یکی از برجسته ترین تکنیک های یادگیری ماشین است که نه تنها برای آزمایش و تجزیه و تحلیل بلکه در راه حل های پیش بینی شده در صنعت نیز مورد استفاده قرار می گیرد. منبع: machinelearningmastery.com

آزمایش ، تنظیم دقیق ، مقیاس گذاری و موارد دیگر جنبه های کلیدی است که گردش کار یادگیری ماشین رونق می گیرد. منبع: machinelearningmastery.com

ادغام داده ها فرآیند ترکیب داده ها از منابع مختلف در یک مجموعه داده واحد است. منبع: machinelearningmastery.com

هنگام کار با یادگیری ماشین بر روی داده های ساخت یافته ، دو الگوریتم اغلب به بالای لیست کوتاه می رسند: جنگل های تصادفی و تقویت شیب. منبع: machinelearningmastery.com

در این مقاله ، شما خواهید آموخت: • تفاوت اساسی بین رگرسیون سنتی ، که از مقادیر ثابت برای پارامترهای آن استفاده می کند ، و رگرسیون بیزی ، که آنها را به عنوان توزیع احتمال مدل می کند. منبع: machinelearningmastery.com

کار با داده های سری زمانی اغلب به معنای کشتی گیری با همان الگوهای بارها و بارها است: محاسبه میانگین های متحرک ، تشخیص سنبله ، ایجاد ویژگی هایی برای مدل های پیش بینی. منبع: machinelearningmastery.com

هنگامی که یک مجموعه داده کوچک دارید ، انتخاب مدل یادگیری ماشین مناسب می تواند تفاوت بزرگی ایجاد کند. منبع: machinelearningmastery.com