- درمورد preventive maintenance
- آموزش dynamic 365 –لینک– نکات ویدئوها
- روش SGDclassifier -تشخیص مهره شطرنج-لینک git – لینک بلاگ – (شبیه به مسئله MNIST)-لینک مسابقه – کامل شد.
- روش رگرسیون خطی- قیمت خانه-usa – لینک git– لینک بلاگ– (قیمت خانه با 5 فیچر)-کامل شد.
موارد زیر نیاز به بازبینی دارند:
- ارتباط mysql و پایتون- لینک
- درمورد reinforcement
- قسمت خانه – رگرسیون- لینک
- کلا سML- نکات
- طراحی دیتا بیس-لینک
- مدیریت missing values – لینک بلاگ– لینک گیت
- روش regression logistic زنده ماندن مسافر تایتانیک- گیت-لینک بلاگ– و پست جامع/
- روش random forest – تعیین قیمت خانه با 81 فیچر- گیت– لینک بلاگ
- روش kfold چیه؟
- 17 فروردین 402- یک معرفی خوب از مدل ها- لینک– در مورد pvalue –
- روش Knn
- دیتاست مصنوعی –git
- درخت تصمیم، random Forest ، رگرسیون لاجستیک
- تشخیص سرطان سینه SVM
- K-means یادگیری بدون نظارت
- کاهش ابعاد به روش PCA
- پیشنهاد فیلم بر اساس همبستگی
- سایت عالی برای درک مطالب (لینک)
- در مورد XGboost به قلم آرش
- ارسال رزومه – لینک – آخرین ارسال : 21 فروردین
- پستهای لینکدین
- فهرست مسائل- لینک کگل–
- 500 پروژه ماشین لرنینگ – لینک
- مسئله دیابت فقط با رگرسیون لاجستیک- git– دقت این مدل 0.77 است.
- مسئله دیابت فقط با knn – لینک git –
- 14 فروردین 402- 120 دقیقه– لینک git – همه راه حل ها کپی شد-تمرکز روی روش رگرسیون لاجستیک
- 10 فروردین 402-120 دقیقه -لینک gitHub – ادامه از Attributes Distribution
- 9 فروردین 402- 180 دقیقه– لینگ github – یک تحلیل جذاب و پزشکی وار از دیتا ست دیابت-
- 8 فروردین 402- 60 دقیقه – لینک– جایگذاری مقادیر nan با مقدار میانه و میانگین-groupby چه میکند
- 27 اسفند 401- 2 ساعت– مسئله دیابت هندی-بلاگ –
- 26اسفند 401- مسئله تایتانیک- کگل– حل شده – بلاگ- گیت هاب strumer –
- 25 اسفند 401 – مسئله قیمت خانه – کگل- حل شده – بلاگ– گیتstrumer –
- آموزش آمار-coursera:
- آمار -کریش هندی-44 ویدئو- پلی لیست– فهرست درسها –لینک –
- مسئله دیابت فقط با رگرسیون لاجستیک- git– دقت این مدل 0.77 است.
- آمار – کورسرا – لینک – این دوره ناکارآمد و سنگین بود. بیان مدرس خوب نبود.
- در انتظار بررسی:
- power BI- لینک
- داکر برای دیتا ساینس با کریش- git
- آموزش بیگ دیتا با اسپارک
- روش PCA در کاهش ابعاد – دیتا سرطان سینه– ( بلاگ – linkedin – و git )
- انتخاب بهترین مدل با Cross Validation –ویدئو 15 دقیقه– ( — بلاگ—- git– )
- cross validation – تغییر validation set تا بدست آوردن میانگین دقت.
- Confusion Matrix – ویدئو 25 دقیقه – (— بلاگ (اهمیت شاخص دقت مدل)- —LinkedIn )
- ماتریس پیچیدگی- چگونه بفهمیم که یک مدل برای مسئله ما مناسب است؟
- precision- Recall- F1-Score – ویدئو 9 دقیقه – (تسک : بلاگ – LinkedIn)
- F1 Score – معیاری دیگر برای ارزیابی مدل.
- grid Search CV – انتخاب هایپر پارامتر- ویدئو18 دقیقه – (تسک : بلاگ – git – LinkedIn – )
- grid search – چگونه پارامترهای default مدل ها را تغییر دهیم تا نتیجه بهتری بگیریم؟
- داده های استاندارد شده (لینک)
- ریاضیات رگرسیون (لینک)
- آموزش لینوکس (لینک)
- آموزش دیتا بیس
- 106 سوال مصاحبه sql- پست
- یادداشتهای کلاس (خاتم)
- SQL مقدمات در kaggle (لینک دوره)
- تسک بیت اند-لینک
- لیست افراد فعال در حوزه دیتا
- تجربیات مصاحبه شغلی
- مسیریادگیری دیتا ساینس (لینک)
- پیش نویس دیپ لرنینگ (پیش نویس)
- آموزش جنگو (پیش نویس)
- دفعات تلاش برای دریافت شغل (پیش نویس)
- معرفی tensorflow
- API چیست؟ ادامه از آموزش مکتب جادی (لینک)
- git چیست؟
- اسکرام و اجایل چه هستند؟
- آموزش کار با vs_code
- ترجمه کتاب hands on machine Learning:
- فصل 1
- فصل 2
- فصل 3
- فصل 4
- فصل 5
- فصل 6
- فصل 7
- فصل 8
- زبان
- book–
- متمم
- outgoing
- people
- habits و second hand rulls
- delete extras
- death and a letter
- migration
- شکرگذاری
- خوراک
- plan
بایگانی:
مسابقه بهبود سرچ ترب 2023: پایان – 16 فروردین 402
1- لینک مسابقه (ترب 2023)
2-کد نمونه ارائه شده توسط ترب(لینک) توضیحات کد نمونه (لینک)
3- گیت هاب –لینک (ریپازیتوری)
4- بررسی مسابقه ترب (لینک بلاگ)
5- جدول زمانی – لینک بلاگ
6- نتیجه گیری : عدم مهارت و تجربه در ML دلیل ناکامی بود. اما تلاش خود را کردیم و این کافی بود. به امید نتایج بهتر در مسابقات بعدی.
- چند گام اولیه برای آموزش دیتا ساینس
- آموزش پایتون – دوره مقدماتی kaggle – لینک دوره –
- آموزش – متوسط ماشین لرنینگ در kaggle – لینک دوره –