آموزش یادگیری ماشین 18 - چطور با استفاده از PCA بُعد ویژگی ها (featureها) رو کاهش بدیم؟
قسمت هجدهم دوره آموزش یادگیری ماشین از مقدماتی تا پیشرفته
.
یکی از مشکلات اساسی توی حوزه یادگیری ماشین (Machine Learning) بُعد بالای بردار ویژگی (Feature vector) هست. برای حل این مشکل لازم هست قبل از فرآیند آموزش (training) که بُعد داده ها رو کاهش بدیم. چرا؟ چون با اینکار هم سرعت محاسبات بالا میره و هم داده هایی که زاید (redundant) هستند و اطلاعات زیادی برای ما ندارند رو حذف میکنیم.
الگوریتم تحلیل مولفه اصلی (Principle Component Analysis (PCA)) به ما کمک میکنه تا اینکار رو ساده تر انجام بدیم. این الگوریتم با پیدا کردن مولفه های اصلی اطلاعات سعی در یافتن ویژگیهایی داره که بیشترین واریانس رو برای ما فراهم میکنند و در عین حال خطای کاهش بُعد کمتری دارند. در این جلسه با هم یاد میگیریم چرا این کار لازم هست و کجا میشه اینکار رو کرد؟
بعد یاد میگیریم این الگوریتم چطور کار میکنه و در نهایت اون رو با استفاده از کتابخانه sklearn پیاده سازی میکنیم.
.
لینک جلسات مرتبط با این دوره
جلسه پیش پردازش دیتاست دیابت • آموزش یادگیری ماشین 9 ...
جلسه آشنایی با معیارهای ارزیابی مختلف (accuracy, precision, recall) • آموزش یادگیری ماشین 8...
ساخت محیط مجازی (virtual environment) دوره • دوره یادگیری ماشین 3 -...
آشنایی و کار با کتابخانه numpy در 20 دقیقه • کتابخانه های پرکاربرد...
آشنایی و کار با کتابخانه pandas در 20 دقیقه • کتابخانه های پرکاربر...
آشنایی و کار با کتابخانه matplotlib در 10 دقیقه • کتابخانه های پرکاربر...
نحوه نصب کتابخانه ها و پکیجها در پایتون • آموزش پایتون قسمت 13 ...
دوره آموزش پایتون از مقدماتی تا پیشرفته • دوره کامل آموزش برنام...
ممنون میشم اگر ویدیوها آموزنده هست اونها رو لایک کنید، توی کانالمون سابسکرایب کنید و اونها رو با دیگران هم به اشتراک بذارین.
لطفا از دانلود ویدیوها اجتناب کنین، برای این ویدیوها زحمت زیادی کشیده شده (من راضی نیستم که اونها رو دانلود کنید) و به همین دلیل تنها راه استفاده رایگان، تماشای آنلاین هست.
لینک کانال تلگرام t.me/techwithhasanabbasi
اگر برای ورود به دنیای برنامه نویسی و آموزش آن به صورت خودآموز نیاز به راهنمایی و مشاوره دارید، میتونین از طریق لینک زیر جهت رزرو زمان مناسب اقدام کنید تا با هم در موردش صحبت کنیم و یه شروع قدرتمند داشته باشین.
calendly.com/techwithhasanabb...
Пікірлер: 54
چقدر عالی توضیح دادین! سپاسگزارم
@TechWithHasanAbbasi
6 күн бұрын
خواهش میکنم خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین
Excellent and useful
@TechWithHasanAbbasi
3 сағат бұрын
Glad you think so!
بسیار عالی
@TechWithHasanAbbasi
3 ай бұрын
خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
سلام ممنون
@TechWithHasanAbbasi
Ай бұрын
خواهش میکنم خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین
بسیار عالی مرسی🙏
@TechWithHasanAbbasi
3 ай бұрын
خواهش میکنم خوشحالم که از آموزشها راضی هستین
عالی
@TechWithHasanAbbasi
4 ай бұрын
خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
the best💯
@TechWithHasanAbbasi
4 ай бұрын
Glad it was helpful!
واقعا دوره عالیی بود . خلاصه کوتاه بدون پرتی و مفید. ممنونم
@TechWithHasanAbbasi
5 ай бұрын
خواهش میکنم، خوشحالم که از آموزشها راضی هستین ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
Thanks alot
@TechWithHasanAbbasi
6 ай бұрын
happy it helped!
awli boud, merci
@TechWithHasanAbbasi
7 ай бұрын
خواهش میکنم، خوشحالم که از آموزشها راضی هستین
دوره فوق العاده بود 💯 سپاس گزارم از زحمات شما🙏
@TechWithHasanAbbasi
4 ай бұрын
خواهش میکنم دوست عزیز ممنون بابت حمایتتون
دستتون درد نکنه 👌👌👌
@TechWithHasanAbbasi
7 ай бұрын
خواهش میکنم. خیلی خوشحالم که از آموزشها راضی هستین ممنون بابت حمایتتون
💯💯💯
@TechWithHasanAbbasi
2 ай бұрын
Thank you for your support!
❤❤❤
@TechWithHasanAbbasi
2 ай бұрын
🙏
خیلی خوب بود، من همه جلسه هارو دارم میبینم، واقعا مرسی
@TechWithHasanAbbasi
7 ай бұрын
خواهش میکنم. خیلی خوشحالم که از آموزشها راضی هستین ممنون بابت حمایتتون
👌👌🙏🙏
@TechWithHasanAbbasi
2 ай бұрын
Thank you for your support!
💛💛💛💛
@TechWithHasanAbbasi
4 ай бұрын
thank you for your support
سلام بسیار عالی، ممنون برای تمام زحماتتون. ِیک سوال، الان از کجا بفهمیم که اون سه تا فیچر باقیمانده کدوم ها هستند؟ و اینکه ترکیبی چیزی انجام داده یا نه همون داده های اصلی ولی سه تاشون رو نگه داشته؟
@TechWithHasanAbbasi
6 күн бұрын
سلام سوال خوبی هست، اگر فرصت کنم حتما براش ویدئو میسازم توضیحش توی کامنت یکم سخته حقیقتش
در قدم اول خیلی عالی است دست تان درد نکنه دارم میبینم منتطر آموزش های بیشتر تان در قسمت دیگر کتابخانه های ماشین لرینیک هستم مثلی تنسور و کراس.... بخش های یادگیری عمیق... من یک سوال داشتم اگر جواب بدهید خیلی ممنون میشم . همین دیتا ست که شما استفاده منماید من هم دانلود کردم کار میکنم اما accuracy, precision, recall , test , train آن مقدار های که برای شما چاپ میشود برای من تفاوت دارد اگر بگوید چرا ممنمون میشم.
@TechWithHasanAbbasi
7 ай бұрын
خواهش میکنم، خوشحالم که از آموزشها راضی هستین کتابخانه هایی که گفتین رو توی یک دوره دیگه که دوره یادگیری عمیق باشه بررسی خواهیم کرد در مورد سوالتون هم باید بگم که در فرآیندهای یادگیری ماشین در اکثر الگوریتم ها، پارامترها ابتدا به صورت رندوم مقداردهی میشه و وابسته به اون مقدار رندوم، جواب شما کمی متفاوت خواهد بود، برای همین اگر حتی کد خودتون رو یکبار دیگه اجرا کنید ممکنه جواب فرق کنه! برای حل این مشکل باید پارامتر random_state رو استفاده کنید برای هر الگوریتم
@farahmand741
7 ай бұрын
@@TechWithHasanAbbasi تشکر خیلی ممنون بله دقیقا وقتی دوباره میخام رند نمایم جواب تغییر میکند.
استاد ایا شما برنامه ای برای برگذاری دوره Data Science دارید؟ 🙂
@TechWithHasanAbbasi
4 ай бұрын
سلام دوست عزیز بله در برنامه هست ولی احتمالا فعلا در ادامه با یک زبان برنامه نویسی دیگه آشنا خواهیم شد به صورت کلی در برنامه هست
من ک تو چین درس میخونم از استادهای چینی هیچی یاد نگرفتم هرچی بلدم از استاد عباسی عزیز
@TechWithHasanAbbasi
6 ай бұрын
خواهش میکنم، خوشحالم که از آموزشها راضی هستین ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
خسته نباشید استاد عزیز. دو سوال داشتم اول اینکه این دوره تموم شد؟ و اینکه در ادامه راه مطالبی که نیاز هستش رو معرفی می کنید.
@TechWithHasanAbbasi
5 ай бұрын
سلام دوست عزیز بله دوره ماشین لرنینگ تموم شد ولی بهتون پیشنهاد میکنم در ادامه دوره دیپ لرنینگ رو هم مشاهده بفرمایید که لینکش رو این پایین میذارم براتون kzread.info/dash/bejne/f5qfsrugp8iphZc.html در مورد ادامه راه هم قرار هست یک ویدیو آماده کنم و تمامی مطالب لازم رو توش توضیح بدم
شما گفتی که این روش برای داده های بدون نظارت هستند اما داده های شما برچسب داشتن
@TechWithHasanAbbasi
6 ай бұрын
به نکته خوبی اشاره کردین، اگر دقت کنین ما فقط روی بردار ویژگی کاهش بعد رو انجام دادیم و موقع کاهش بُعد لیبلها رو استفاده نکردیم، چرا؟ چون برای کاهش بُعد بهشون نیاز نداشتیم ولی در نهایت در قدم آخر برای دسته بندی که الگوریتم با نظارت بود از لیبلها استفاده کردیم و بردار ویژگی کاهش بُعد یافته رو دادیم به عنوان ورودی
سلام ایا جلسات این دوره ادامه داره یا این ویدیو اخرین ویدیو برای این دوره بود ؟
@TechWithHasanAbbasi
4 ай бұрын
سلام دوست عزیز بله این جلسه آخر دوره ماشین لرنینگ هست
@TechWithHasanAbbasi
4 ай бұрын
پیشنهاد میکنم بعد این جلسه حتما جلسات زیر رو مشاهده کنید kzread.info/dash/bejne/oqOkvMlmmMLTm9Y.html پروژه های ماشین لرنینگ دوره دیپ لرنینگ kzread.info/dash/bejne/f5qfsrugp8iphZc.html پروژه دیپ لرنینگ kzread.info/dash/bejne/nKNm2duhcZi3YJs.html دوره شبکه های کانولوشنی kzread.info/dash/bejne/f6Ns1MiEgbHFZbw.html پروژه شبکه های کانولوشنی kzread.info/dash/bejne/X62Ylrl-XdTQdag.html
@TechWithHasanAbbasi
3 ай бұрын
Happy to help!
♥♥♥♥
@TechWithHasanAbbasi
2 ай бұрын
Thank you for your support!