رگرسیون

۱۱ بخش۱۱ درس۱۱ آزمون۱ ساعت و ۲۶ دقیقه

متوسط

دورهٔ دوم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: از بازگشت به میانگین گالتون تا رگرسیون خطی ساده و چندگانه، فرض‌ها، رگرسیون چندجمله‌ای، ریج، لاسو و الاستیک نت، معیارهای سنجش، خواندن ضریب‌ها، درخت و جنگل تصادفی، و یک پروژهٔ کامل قیمت مسکن؛ با انیمیشن و کد واقعی.

این دوره در «مسیر متخصص فنی»، «پلن کامل» است.

دیدن پلن‌ها

بخش ۱رگرسیون چیست؟

۰/۱

رگرسیون چیست؟۷:۵۵ پیش‌نمایش رایگان
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۲رگرسیون خطی ساده

۰/۱

رگرسیون خطی ساده۷:۵۰
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۳رگرسیون خطی چندگانه

۰/۱

رگرسیون خطی چندگانه۷:۴۸
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۴فرضیات رگرسیون خطی

۰/۱

فرضیات رگرسیون خطی۷:۵۵
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۵رگرسیون چندجمله‌ای

۰/۱

رگرسیون چندجمله‌ای۷:۴۸
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۶منظم‌سازی: Ridge و Lasso

۰/۱

منظم‌سازی: Ridge و Lasso۷:۴۵
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۷ElasticNet

۰/۱

ElasticNet۷:۴۱
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۸معیارهای ارزیابی: MAE، MSE و R²

۰/۱

معیارهای ارزیابی: MAE، MSE و R²۸:۰۴
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۹تفسیر ضرایب مدل

۰/۱

تفسیر ضرایب مدل۷:۴۰
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۱۰رگرسیون با درخت و جنگل تصادفی

۰/۱

رگرسیون با درخت و جنگل تصادفی۸:۰۳
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۱۱تمرین: پیش‌بینی قیمت مسکن

۰/۱

تمرین: پیش‌بینی قیمت مسکن۷:۵۰
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

چه یاد می‌گیری

بدانی رگرسیون چه عددی را پیش‌بینی می‌کند و بازگشت به میانگین را در داده‌ها تشخیص بدهی
رگرسیون خطی ساده و چندگانه را با سایکیت‌لرن بسازی و فرض‌هایش را با نمودار باقی‌مانده‌ها و ضریب تورم واریانس بسنجی
با رگرسیون چندجمله‌ای رابطه‌های خمیده را مدل کنی و بیش‌برازش را با ریج، لاسو و الاستیک نت و اعتبارسنجی متقابل مهار کنی
مدل را با میانگین قدرمطلق خطا، جذر میانگین مربع خطا و ضریب تعیین بسنجی و ضریب‌ها را با واحد، مقیاس و دستهٔ مرجع درست بخوانی
درخت تصمیم و جنگل تصادفی را برای رگرسیون به کار ببری و یک پروژهٔ کامل پیش‌بینی قیمت را از سؤال تا آزمون بسازی

درباره دوره

این دوره، دومین دوره از موضوع «یادگیری ماشین» است و همهٔ آن دربارهٔ پیش‌بینی یک عدد است: رگرسیون. از اسم عجیبش شروع می‌کنیم، بازگشت به میانگین در قد آدم‌ها و در خرید مشتری‌ها؛ بعد خط کمترین مربعات و باقی‌مانده‌هایش، رگرسیون با چند ویژگی، فرض‌هایی که پشت عددهای یک مدل خطی است و ابزارهای سنجیدنشان، خم کردن خط با رگرسیون چندجمله‌ای، مهار بیش‌برازش با منظم‌سازی ریج و لاسو و ترکیبشان در الاستیک نت، معیارهای سنجش میانگین قدرمطلق خطا، میانگین مربع خطا، جذر آن و ضریب تعیین، خواندن درست ضریب‌ها با واحد و مقیاس و دستهٔ مرجع، و مدل‌هایی که اصلاً خط نیستند: درخت تصمیم و جنگل تصادفی؛ و در آخر، یک پروژهٔ کامل پیش‌بینی قیمت خانه. هر ایده اول روی صفحه دیده می‌شود: خطی که روی نقطه‌ها جا می‌افتد، باقی‌مانده‌هایی که مربع می‌شوند، وزن‌هایی که با بزرگ شدن جریمه کوچک و صفر می‌شوند، و پله‌های درختی که جنگل میانگینشان را می‌گیرد؛ بعد قاعده‌اش، و بعد با کد واقعی سایکیت‌لرن. همهٔ کدهای ویدیوها اجرا شده‌اند و عددها و نمودارهای روی صفحه، همان خروجی واقعی آن کدها هستند؛ داده‌های فروشگاه و آگهی‌های خانه ساختگی‌اند و روی صفحه هم همین گفته شده است.

هر ویدیو حدود هشت دقیقه است و با یک ماجرا شروع می‌شود؛ بعد مفهوم، یک نمایش عملی، جمع‌بندی و یک تمرین کوتاه. بعد از هر ویدیو یک آزمون کوتاه داری؛ آخرش نکته‌های اصلی درس را می‌بینی و برای هر جواب، توضیح و لینک همان لحظهٔ ویدیو را.

مدرس: تیم مایان

این دوره در «مسیر متخصص فنی»، «پلن کامل» است.

دیدن پلن‌ها