अपूर्ण/असंगत लेबल

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में मशीन लर्निंग वर्कफ़्लो डिज़ाइन करना

SkillTag.level.advancedSkillTag.label

4.8+

इस अध्याय में, आप सुपरवाइज़्ड लर्निंग वर्कफ़्लो की बुनियादी बातें दोहराएँगे—जिसमें मॉडल फिटिंग, ट्यूनिंग और चयन, फीचर इंजीनियरिंग और चयन, तथा डेटा स्प्लिटिंग तकनीकें शामिल हैं। आप समझेंगे कि वर्कफ़्लो के ये चरण एक-दूसरे पर कैसे निर्भर करते हैं, और पहचानेंगे कि ये सभी ओवरफिटिंग के खिलाफ कैसे योगदान दे सकते हैं या अनजाने में उसे बढ़ा भी सकते हैं—जो डेटा साइंटिस्ट का सबसे बड़ा दुश्मन है। अध्याय के अंत तक, आप सुपरवाइज़्ड लर्निंग में सहज हो जाएँगे और आगे के अध्यायों में एडवांस्ड सामग्री के लिए तैयार होंगे।

Exercise 1: Supervised learning पाइपलाइंस Exercise 2: फीचर इंजीनियरिंग Exercise 3: आपका पहला पाइपलाइन Exercise 4: मॉडल की जटिलता और ओवरफिटिंग Exercise 5: मॉडल जटिलता के लिए Grid search CV Exercise 6: ट्री और एस्टीमेटर्स की संख्या Exercise 7: फीचर इंजीनियरिंग और ओवरफिटिंग Exercise 8: Categorical encodings Exercise 9: Feature transformations Exercise 10: सब कुछ एक साथ लाना

पिछले अध्याय में, आपने स्टैंडर्ड सुपरवाइज़्ड लर्निंग वर्कफ़्लोज़ का अपना ज्ञान पुख्ता किया। इस अध्याय में, आप आलोचनात्मक रूप से जाँचेंगे कि विशेषज्ञ ज्ञान को सुपरवाइज़्ड लर्निंग में किन-किन तरीकों से शामिल किया जाता है। यह सही यूनिट ऑफ़ एनालिसिस की पहचान के जरिए होता है—जो कई डेटा स्रोतों पर फैली फीचर इंजीनियरिंग माँग सकता है—उदाहरणों को लेबल करने की कभी-कभी अपूर्ण प्रक्रिया के माध्यम से, और ऐसी लॉस फ़ंक्शन की स्पेसिफिकेशन के ज़रिए जो आपके मशीन लर्निंग मॉडल की त्रुटियों के असली बिज़नेस वैल्यू को कैप्चर करता है।

Exercise 1: डेटा फ्यूज़न Exercise 2: source खराब है या destination?Exercise 3: Grouped डेटा पर Feature engineering Exercise 4: अपूर्ण/असंगत लेबल

वर्तमान अभ्यास

Exercise 5: एक heuristic को classifier में बदलना Exercise 6: Heuristics को संयोजित करना Exercise 7: लेबल नॉइज़ से निपटना Exercise 8: लॉस फंक्शंस भाग I Exercise 9: परफॉर्मेंस मेट्रिक्स की याद दिलाना Exercise 10: वास्तविक दुनिया की लागत विश्लेषण Exercise 11: Confusion matrix की गणनाएँ Exercise 12: लॉस फंक्शन भाग II Exercise 13: डिफॉल्ट थ्रेशोल्डिंग Exercise 14: थ्रेशोल्ड को ऑप्टिमाइज़ करना Exercise 15: सब कुछ एक साथ जोड़ना

पिछले अध्याय में, आपने अपने वर्कफ़्लो में विशेषज्ञों से मिलने वाले फीडबैक को शामिल करने के अलग-अलग तरीके अपनाए, और उसे बिज़नेस वैल्यू के अनुरूप तरीकों से आंका। अब समय है कि आप अपने मॉडल को प्रोडक्टाइज़ करने और उसे आगे भी अच्छा प्रदर्शन करते रहने के लिए क्रमिक सुधार करने की स्किल्स का अभ्यास करें। आप डेटासेट शिफ्ट का निदान करना और बदलते परिवेश का आपके मॉडल की सटीकता पर पड़ने वाले प्रभाव को कम करना भी सीखेंगे।

Exercise 1: वर्कफ़्लो से पाइपलाइन तक Exercise 2: आपकी पहली pipeline — फिर से!Exercise 3: Pipelines में कस्टम स्कोरर्स Exercise 4: मॉडल डिप्लॉयमेंट Exercise 5: Pickles Exercise 6: Pipelines में कस्टम फ़ंक्शन ट्रांसफॉर्मर Exercise 7: ओवरफिटिंग के बिना इटरेशन Exercise 8: चैंपियन को चुनौती दें Exercise 9: Cross-validation आँकड़े Exercise 10: डेटासेट शिफ्ट Exercise 11: विंडो साइज ट्यून करना Exercise 12: सब कुछ जोड़ते हुए

पिछले अध्यायों में आपने सुपरवाइज़्ड लर्निंग की एक ठोस नींव बनाई और प्रोडक्शन में मॉडल डिप्लॉय करने का ज्ञान हासिल किया, लेकिन अब तक यह मानकर चले कि आपके विश्लेषण के लिए लेबल्ड डेटासेट उपलब्ध होगा। इस अध्याय में, आप बिना लेबल या बहुत कम लेबल वाले डेटा पर मॉडलिंग की चुनौती लेते हैं। इसमें एनोमली डिटेक्शन जैसे अनसुपरवाइज़्ड मॉडलिंग के तरीकों के साथ-साथ डिस्टेंस-आधारित लर्निंग शामिल है, जहाँ दो उदाहरणों के बीच समानता के बारे में हमारी धारणाएँ लेबल्स की जगह इस्तेमाल होकर आपको सुपरवाइज़्ड वर्कफ़्लो के तुलनीय सटीकता स्तर तक पहुँचने में मदद करती हैं। इस अध्याय को पूरा करने पर, आप स्पष्ट रूप से बाकी डेटा साइंटिस्ट्स से आगे दिखाई देंगे—यह आत्मविश्वास के साथ जानते हुए कि आम वास्तविक दुनिया की चुनौतियों को पार करने के लिए अपने वर्कफ़्लो में किन टूल्स और संशोधनों का उपयोग करना है।

Exercise 1: Anomaly detection Exercise 2: एक सरल आउट्लायर Exercise 3: LoF contamination Exercise 4: नॉवेल्टी डिटेक्शन Exercise 5: एक सरल novelty Exercise 6: तीन novelty डिटेक्टर Exercise 7: Contamination पर फिर से नज़र Exercise 8: डिस्टेंस-बेस्ड लर्निंग Exercise 9: पड़ोसी ढूँढें Exercise 10: सभी मैट्रिक्स सहमत नहीं होते Exercise 11: Unstructured डेटा Exercise 12: Restricted Levenshtein Exercise 13: सब कुछ एक साथ लाना Exercise 14: समापन टिप्पणी