الصفحة الرئيسيةالدوراتاكتشف التعلم الخاضع للإشراف باستخدام scikit-learn

الخطوات الأساسية في التعلم الخاضع للإشراف

الفصل 2 · اكتشاف طرق التصنيف · الدرس 4 من أصل 51
متاحة للمشتركين فقط — إليك بدايتها
متابعة هذا الدرس متاحة للمشتركين فقط أنشئ حسابك المجاني لتجربة التمارين التوضيحية، ثم انتقل إلى الوصول الكامل متى شئت.

أنشئ حسابك المجاني

بدون بطاقة بنكية، في ثلاثين ثانية.
المتابعة باستخدام Google
أو
التسجيل بالبريد الإلكتروني
لديك حساب بالفعل؟ تسجيل الدخول
بمتابعتك، فإنك توافق على شروط الاستخدام وسياسة الخصوصية. تُستضاف بياناتك داخل الاتحاد الأوروبي.

الوصول الكامل إلى DATAGOZ

19 €/ شهريًا — أو 190 € / سنويًا
  • جميع الدورات المنشورة والمسارات المهنية
  • تمارين واختبارات قصيرة مصحَّحة تلقائيًا
  • تدريب وامتحان وشهادة متابعة
  • بدون التزام، ويمكن الإلغاء عبر الإنترنت
عرض الصيغ
هذا الدرس جزء من الدورة

اكتشف التعلم الخاضع للإشراف باستخدام scikit-learn

6 فصول · 51 درسًا
  • منصة التدريبمشتركون
  • تعلم الآلة باستخدام scikit-learnللمشتركين
  • التصنيف الثنائيالمشتركون
  • الخطوات الأساسية في التعلّم الخاضع للإشرافأنت هنا
  • معالجة مشكلة تصنيفللمشتركين
  • ضبط نموذج بخوارزمية k أقرب الجيرانللمشتركين
  • إجراء تنبؤات بخوارزمية k أقرب الجيرانللمشتركين
  • تقييم أداء النموذجمشترك
  • فصل البيانات وقياس الدقةمشترك
  • تحديد الإفراط في التكييف والتكييف الناقصمشترك
  • تحليل تعقيد النموذجمشترك
  • مدخل إلى مبادئ الانحدارمشترك
  • إنشاء الخصائص ذات الصلة واختيارهامشترك
  • بناء نموذج الانحدار الخطيمشترك
  • تمثيل نموذج الانحدار الخطي بيانيًامشترك
  • استيعاب المبادئ الأساسية للانحدار الخطيمشترك
  • ضبط النموذج وإجراء التنبؤاتمشترك
  • تقييم أداء نموذج الانحدارمشترك
  • اكتشف مبادئ التحقق المتقاطعمشترك
  • قيّم معامل التحديد R² باستخدام التحقق المتقاطعمشترك
  • فسّر مؤشرات التحقق المتقاطعمشترك
  • حسّن النماذج بفضل التسوية (Regularization)مشترك
  • طبّق تسوية ريدج (Ridge)مشترك
  • حدّد الخصائص المهمة باستخدام انحدار لاسو (Lasso)مشترك
  • قيّم موثوقية نموذجك وجودتهمشترك
  • اختر مقياس تقييم مناسبًامشترك
  • قيّم مصنِّفًا للتنبؤ بمرض السكريمشترك
  • اكتشف الانحدار اللوجستي ومنحنى ROCمشترك
  • ابنِ نموذج انحدار لوجستيمشترك
  • تحليل منحنى ROC وتفسيرهمشترك
  • قياس الأداء بمساحة تحت منحنى ROC (ROC AUC)مشترك
  • فهم ضبط المعاملات الفائقةمشترك
  • تحسين المعاملات الفائقة باستخدام GridSearchCVمشترك
  • استكشاف المعاملات الفائقة باستخدام RandomizedSearchCVمشترك
  • تحضير البيانات وتحويلهامشترك
  • ترميز المتغيرات الفئويةمشترك
  • تطبيق الانحدار على البيانات الفئويةمشترك
  • معالجة القيم المفقودةمشترك
  • معالجة البيانات غير المكتملة بالحذفمشترك
  • بناء Pipeline للتنبؤ بالنوع الموسيقي (الجزء الأول)مشترك
  • إكمال مسار التنبؤ بالنوع الموسيقي (الجزء 2)مشتركون
  • توحيد البيانات عن طريق التمركز وتغيير المقياسمشتركون
  • تطبيق التوحيد على نموذج انحدارمشتركون
  • توحيد البيانات من أجل التصنيفمشتركون
  • مقارنة أداء عدة نماذجمشتركون
  • تصوير نتائج نماذج الانحدارمشتركون
  • إجراء التنبؤات على بيانات الاختبارمشتركون
  • مقارنة أداء نماذج التصنيف بيانيًامشتركون
  • إنشاء مسار لتوقع شعبية الأغانيمشتركون
  • حصيلة مكتسبات الدورةمشتركون
  • خاتمة الدورة التدريبيةمشترِكون
الدرس التالي

مواجهة مشكلة في التصنيف

عرض البرنامج أنشئ حسابًا للمتابعة