5.4 KiB
مدل‌های رگرسیون برای یادگیری ماشین
موضوع منطقه‌ای: مدل‌های رگرسیون برای قیمت کدو تنبل در آمریکای شمالی 🎃
در آمریکای شمالی، کدو تنبل‌ها اغلب برای هالووین به شکل چهره‌های ترسناک تراشیده می‌شوند. بیایید درباره این سبزیجات جذاب بیشتر بدانیم!
عکس از Beth Teutschmann در Unsplash
آنچه خواهید آموخت
🎥 برای مشاهده ویدئوی معرفی سریع این درس، روی تصویر بالا کلیک کنید
درس‌های این بخش انواع رگرسیون را در زمینه یادگیری ماشین پوشش می‌دهند. مدل‌های رگرسیون می‌توانند رابطه بین متغیرها را تعیین کنند. این نوع مدل می‌تواند مقادیر مانند طول، دما یا سن را پیش‌بینی کند و در نتیجه روابط بین متغیرها را با تحلیل نقاط داده کشف کند.
در این مجموعه درس‌ها، تفاوت‌های بین رگرسیون خطی و لجستیک را کشف خواهید کرد و خواهید آموخت که چه زمانی باید یکی را بر دیگری ترجیح دهید.
🎥 برای مشاهده ویدئوی کوتاه معرفی مدل‌های رگرسیون، روی تصویر بالا کلیک کنید.
در این گروه از درس‌ها، شما آماده انجام وظایف یادگیری ماشین خواهید شد، از جمله تنظیم Visual Studio Code برای مدیریت نوت‌بوک‌ها، محیط رایج برای دانشمندان داده. شما با Scikit-learn، یک کتابخانه برای یادگیری ماشین، آشنا خواهید شد و اولین مدل‌های خود را خواهید ساخت، با تمرکز بر مدل‌های رگرسیون در این فصل.
ابزارهای کم‌کد مفیدی وجود دارند که می‌توانند به شما در یادگیری کار با مدل‌های رگرسیون کمک کنند. Azure ML را برای این کار امتحان کنید
درس‌ها
اعتبارها
"یادگیری ماشین با رگرسیون" با ♥️ توسط Jen Looper نوشته شده است.
♥️ مشارکت‌کنندگان آزمون شامل: Muhammad Sakib Khan Inan و Ornella Altunyan
مجموعه داده کدو تنبل توسط این پروژه در Kaggle پیشنهاد شده است و داده‌های آن از گزارش‌های استاندارد بازارهای ترمینال محصولات خاص که توسط وزارت کشاورزی ایالات متحده توزیع شده‌اند، گرفته شده است. ما برخی نقاط مربوط به رنگ بر اساس نوع را اضافه کرده‌ایم تا توزیع را نرمال کنیم. این داده‌ها در حوزه عمومی قرار دارند.
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادقتی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.