خانه » یادگیری ماشین

یادگیری ماشین

یادگیری ماشین (ML) مطالعه الگوریتم های رایانه ای است که از طریق تجربه به طور خودکار بهبود می یابد که به عنوان زیر مجموعه ای از هوش مصنوعی دیده می شود. الگوریتم های یادگیری ماشین یک مدل ریاضی را بر اساس داده های نمونه ، معروف به “داده های آموزشی” می سازند . الگوریتم های یادگیری ماشین در طیف گسترده ای از برنامه ها مانند فیلتر ایمیل استفاده می شود. و این روش در جایی که تهیه یا الگوریتم های معمولی برای انجام کارهای مورد نیاز دشوار یا غیرقابل نفوذ است ، کاربرد دارد.
مشاغل مرتبط: مهندس یادگیری ماشین ، متخصص هوش مصنوعی ، توسعه دهنده شناخت ، محقق

طراحی یک سیستم توصیه گر فیلم بر روی مجموعه داده MovieLens

استفاده از سیستم های توصیه گر هر روز در حال افزایش است .دراین مقاله قصد داریم یک سیستم توصیه گر ساده بر روی مجموعه داده سایت MovieLens طراحی کنیم.

رگرسیون خطی

تحلیل رگرسیون از مجموعه ای از روش های یادگیری ماشین تشکیل شده است که برای پیش بینی یک مقدار پیوسته از مدل های رگرسیون استفاده می شود. پیش بینی قیمت های خانه با توجه به ویژگی های خانه مانند اندازه ، قیمت و غیره یکی از نمونه های متداول رگرسیون است. این یک تکنیک با نظارت است. رگرسیون خطی یکی از ساده ترین الگوریتم های یادگیری با نظارت در مجموعه ابزارها می باشد که دو نوع ساده و چند گانه دارد.

درخت تصمیم

درخت تصمیم یکی از معروف ترین الگوریتم های یادگیری ماشین می باشد که بر یک منطقه وسیع از یادگیری ماشین تاثیر گذاشته است و هم در مسائل طبقه بندی و هم در مسائل رگرسیون کاربرد دارد و همان طور که از نام آن پیداس از الگوی تصمیم گیری درخت مانند استفاده می کند. درخت تصمیم یکی از تفسیر پذیرترین مدل ها در یادگیری ماشین می باشد و در پایتون با استفاده از scikit-learn میتواند آن را به راحتی پیاده سازی کرد.

کاهش ابعاد با استفاده از انتخاب ویژگی

انتخاب ویژگی ها و کاهش ابعاد به ما این امکان را می دهد تعداد ویژگی های یک مجموعه داده را فقط با حفظ ویژگی های مهم به حداقل برسانیم. مزایای مختلفی در انجام انتخاب ویژگی و کاهش ابعاد وجود دارد که شامل تفسیرپذیری مدل، به حداقل رساندن بیش از حد مناسب و همچنین کاهش اندازه مجموعه train و در نتیجه زمان train است.

کاهش ابعاد

تجزیه و تحلیل مشتریان مبتنی بر مدل RFM

مدل RFM یک روش محبوب و کارا برای تجزیه و تحلیل مشتریان است. در این روش از ۳ معیار اخرین خرید مشتری، تعداد دفعات خرید و مبلغ خرید استفاده می شود. با استفاده از این معیار ها مدل RFM طراحی می شود. با روش های مصور سازی داده اطلاعات بدست آمده از مدل نمایش داده می شود.

آموزش ساخت شبکه عصبی از ابتدا در پایتون بدون tensorflow

انگیزه: برای درک بهتر از Deep Learning ، تصمیم گرفتم ساخت شبکه عصبی را از ابتدا و بدون کتابخانه یادگیری عمیق مانند TensorFlow انجام دهم. به اعتقاد من  درک عملکرد  یک شبکه عصبی بسیار با اهمیت است. شبکه عصبی چیست؟ …

آموزش ساخت شبکه عصبی از ابتدا در پایتون بدون tensorflow ادامه مطلب »

اموزش عملی ماشین بردار پشتیبان(SVM) با پایتون

یکی از الگوریتم های طبقه بندی داده ها الگوریتم SVM یا ماشین برداز پشتیبان است. در این مطلب با این الگپریتم اشنا می شویم و با یک مثال عملی آن را پیاده سازی می کنیم.

کاهش ابعاد با استفاده از استخراج ویژگی

در دنیای واقعی تعداد و ابعاد ویژگی ها خیلی زیاد است که کار با آن ها زمان و حافظه زیادی را می خواهد و حتی همه آن ویژگی ها را لازم نداریم و با یک سری از آنها می توانیم مدل مون را پیش بینی کنیم ولی نکته این است که کدام ویژگی ها را انتخاب کنیم. برای این کار از روش های کاهش بعد مثل pca، lda، kernelpca، nmf و tsvd می توانیم استفاده کنیم.

کاهش ویژگی

ساخت برنامه شناسایی چهره در پایتون

در این پست ، من به شما نشان می دهم که چگونه با استفاده از پایتون برنامه شناسایی چهره خود را بسازید. ساخت برنامه ای که چهره ها را شناسایی و تشخیص دهد یک پروژه بسیار جالب و سرگرم کننده برای شروع با بینایی کامپیوتر است.

شناسایی چهره در پایتون
به بالای صفحه بردن