کگل یکی از زیرمجموعه های گوگل است که به صورت تخصصی بر روی مباحث مربوط به دیتاساینس و ماشین لرنینگ فعالیت می کند. کاربران این سایت که به عنوان Kagglers شناخته می شوند می توانند با عضویت رایگان در وب سایت www.kaggle.com به مطالب آموزشی تخصصی و فنی، دیتاست های گوناگون، کدها و… دسترسی داشته باشند.
فهرست عناوین این مطلب
مسابقات کگل | Kaggle competition
یکی دیگر از امکانات وب سایت Kaggle، رقابت های متنوعی است که در سطوح مختلف برگزار می شوند. اغلب این رقابت ها در زمینه برنامه نویسی و علوم کامپیوتر هستند و شرکت کردن در آن ها علاوه بر جنبه یادگیری، تاثیر خوبی در ارتقاء رزومه فردی دارد. برای برخی از این رقابت ها جوایزی نیز در نظر گرفته می شود.
دوره های آموزشی کگل
دوره های آموزشی کاربردی و تعاملی نیز ویژگی دیگر Kaggle هستند که نباید آن ها را نادیده گرفت.
آموزش رایگان ماشین لرنینگ
دوره رایگان آموزش ماشین لرنینگ که در وب سایت TraintoTest ارایه شده نیز با توجه به کورس “Intro to Machine Learning” از سایت کگل ساخته شده است. در ادامه سرفصل های اصلی این دو دوره معرفی می شوند. برای مشاهده محتوای هر قسمت، تنها کافی است بر روی عنوان موردنظر کلیک نمایید.
- قسمت اول – دوره آموزش ماشین لرنینگ (مشاهده)
– موضوع معرفی مفاهیم پایه در ماشین لرنینگ.
– یادگیری با ناظر (Supervised Learning – Inductive)
– یادگیری بدون ناظر (Unsupervised Learning – Inductive)
– یادگیری نیمه نظارتی (Semi Supervised Learning – Inductive) یا یادگیری تقویتی (Reinforcement Learning) - قسمت دوم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی الگوریتم درخت تصمیم (Decision tree)
– پیاده سازی الگوریتم «درخت تصمیم» برای پیش بینی قیمت خانه با استفاده از sklearn - قسمت سوم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی الگوریتم رگرسیون خطی ساده (Simple linear regression)
– پیاده سازی «رگرسیون خطی ساده»برای پیش بینی قیمت خانه با استفاده از روش Ordinary Least Squares - قسمت چهارم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی مفاهیم مجموعه داده فاز آموزش و یادگیری (Training) و مجموعه داده فاز ارزیابی (Validation)
– پیاده سازی روش Train Test Split با استفاده از sklearn - قسمت پنجم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی مفاهیم بیش برازش (Overfitting) و کم برازش (Underfitting) در ماشین لرنینگ
– بهبود عملکرد الگوریتم «درخت تصمیم» برای پیش بینی قیمت خانه با استفاده از تغییر عمق درخت - قسمت ششم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی الگوریتم جنگل تصادفی (Random Forest)
– پیاده سازی الگوریتم «جنگل تصادفی» برای پیش بینی قیمت خانه با استفاده از sklearn - قسمت هفتم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی و پیاده سازی شش معیار ارزیابی خطا در مسایل رگرسیونی با استفاده از sklearn
– مجموع مربعات خطا (Sum Squared Error) یا به اختصار SSE
– خطای میانگین مربعات (Mean Squared Error) یا به اختصار MSE
– خطای جذر میانگین مربعات (Root Mean Squared Error) یا به اختصار RMSE
– خطای میانگین قدر مطلق (Mean Absolute Error) یا به اختصار MAE
– درصد میانگین قدر مطلق خطا (Mean Absolute Percentage Error) یا به اختصار MAPE
– خطای ضریب تعیین (R squared) یا به اختصار R^2 - قسمت هشتم – دوره آموزش ماشین لرنینگ (مشاهده)
– مرور الگوریتم رگرسیون خطی ساده (Simple linear regression)
– معرفی الگوریتم رگرسیون خطی چندگانه (Multiple linear regression)
– پیاده سازی الگوریتم رگرسیون خطی چندگانه با و بدون استفاده از sklearn - قسمت نهم – دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی الگوریتم رگرسیون لجستیک (Logistic regression) برای طبقه بندی (Classification) داده ها
– پیاده سازی الگوریتم «رگرسیون لجستیک» برای طبقه بندی گل های دیتاست Iris با استفاده از sklearn - قسمت دهم- دوره آموزش ماشین لرنینگ (مشاهده)
– معرفی داده های گسسته و پیوسته
– مرور قسمت های 1 تا 10 از دوره آموزش ماشین لرنینگ
فهرست دوره Intro to Machine Learning در Kaggle
دوره سایت Kaggle از هفت بخش زیر تشکیل شده است (لینک دوره کگل):
Intro to Machine Learning
Learn the core ideas in machine learning, and build your first models.
- How Models Work
The first step if you’re new to machine learning. - Basic Data Exploration
Load and understand your data. - Your First Machine Learning Model
Building your first model. Hurray! - Model Validation
Measure the performance of your model, so you can test and compare alternatives. - Underfitting and Overfitting
Fine-tune your model for better performance. - Random Forests
Using a more sophisticated machine learning algorithm. - Machine Learning Competitions (Link)
Enter the world of machine learning competitions to keep improving and see your progress.
