دليل المستخدم

• 1. التعليم الخاضع للإشراف
  • 1.1. النماذج الخطية
    • 1.1.1. المربعات الصغرى العادية
    • 1.1.2. انحدار ريدج والتصنيف
    • 1.1.3. Lasso
    • 1.1.4. Lasso متعدد المهام
    • 1.1.5. Elastic-Net
    • 1.1.6. Elastic-Net متعدد المهام
    • 1.1.7. انحدار الزاوية الصغرى
    • 1.1.8. LARS Lasso
    • 1.1.9. مطاردة التطابق المتعامد (OMP)
    • 1.1.10. الانحدار البايزي
    • 1.1.11. الانحدار اللوجستي
    • 1.1.12. النماذج الخطية المُعممة
    • 1.1.13. نزول التدرج العشوائي - SGD
    • 1.1.14. Perceptron
    • 1.1.15. خوارزميات عدوانية سلبية
    • 1.1.16. انحدار المتانة: القيم المتطرفة وأخطاء النمذجة
    • 1.1.17. انحدار المُكمِّم
    • 1.1.18. الانحدار متعدد الحدود: توسيع النماذج الخطية مع دوال الأساس
  • 1.2. تحليل التمييز الخطي والتربيعي
    • 1.2.1. تقليل الأبعاد باستخدام تحليل التمييز الخطي
    • 1.2.2. الصيغة الرياضية لمُصنِّفات LDA و QDA
    • 1.2.3. الصيغة الرياضية لتقليل أبعاد LDA
    • 1.2.4. الانكماش ومُقدِّر التغاير المشترك
    • 1.2.5. خوارزميات التقدير
  • 1.3. انحدار حافة النواة
  • 1.4. آلات الدعم المتجهية (SVM)
    • 1.4.1. التصنيف
    • 1.4.2. الانحدار
    • 1.4.3. تقدير الكثافة، كشف الجدة
    • 1.4.4. التعقيد
    • 1.4.5. نصائح حول الاستخدام العملي
    • 1.4.6. دوال النواة
    • 1.4.7. الصيغة الرياضية
    • 1.4.8. تفاصيل التطبيق
  • 1.5. التحسين التدريجي العشوائي
    • 1.5.1. التصنيف
    • 1.5.2. الانحدار
    • 1.5.3. Online One-Class SVM
    • 1.5.4. التحسين التدريجي العشوائي للبيانات النادرة
    • 1.5.5. التعقيد
    • 1.5.6. معيار التوقف
    • 1.5.7. نصائح للاستخدام العملي
  • 1.6. أقرب الجيران
    • 1.6.1. أقرب جيران غير خاضع للإشراف
    • 1.6.2. تصنيف أقرب جيران
    • 1.6.3. انحدار أقرب جيران
    • 1.6.4. خوارزميات أقرب جيران
    • 1.6.5. مُصنف أقرب مركز
    • 1.6.6. محول أقرب جيران
    • 1.6.7. تحليل مكونات الجوار
  • 1.7. العمليات الغاوسية
    • 1.7.1. انحدار العملية الغاوسية (GPR)
    • 1.7.2. تصنيف العملية الغاوسية (GPC)
    • 1.7.3. أمثلة GPC
    • 1.7.4. نوى العمليات الغاوسية
  • 1.8. التحليل المتقاطع
    • 1.8.1. PLSCanonical
    • 1.8.2. PLSSVD
    • 1.8.3. PLSRegression
    • 1.8.4. تحليل الارتباط المتعارف عليه
  • 1.9. خوارزميات بايز الساذجة
    • 1.9.1. خوارزمية بايز الساذجة الغاوسية
    • 1.9.2. خوارزمية بايز الساذجة متعددة الحدود
    • 1.9.3. خوارزمية بايز الساذجة التكميلية
    • 1.9.4. خوارزمية بايز الساذجة متعددة الحدود
    • 1.9.5. خوارزمية بايز الساذجة التصنيفية
    • 1.9.6. نموذج بايز الساذج خارج النواة
  • 1.10. شجرة القرار
    • 1.10.1. التصنيف
    • 1.10.2. الانحدار
    • 1.10.3. المشكلات متعددة المخرجات
    • 1.10.4. التعقيد
    • 1.10.5. نصائح للاستخدام العملي
    • 1.10.6. خوارزميات الشجرة: ID3 وC4.5 وC5.0 وCART
    • 1.10.7. الصياغة الرياضية
    • 1.10.8. دعم القيم المفقودة
    • 1.10.9. التقليم الأدنى لتكلفة التعقيد
  • 1.11. المجموعات: تعزيز التدرج، الغابات العشوائية، التجميع، التصويت، التكديس
    • 1.11.1. أشجار مُعززة بالتدرج
    • 1.11.2. الغابات العشوائية ومجموعات الأشجار العشوائية الأخرى
    • 1.11.3. مُقدِّر التعريف التجميعي
    • 1.11.4. مُصنف التصويت
    • 1.11.5. مُنحدِر التصويت
    • 1.11.6. التعميم المُكدَّس
    • 1.11.7. AdaBoost
  • 1.12. خوارزميات متعددة التصنيف ومتعددة الإخراج
    • 1.12.1. متعدد الفئات
    • 1.12.2. متعدد الفئات
    • 1.12.3. متعدد الفئات متعدد الإخراج
    • 1.12.4. متعدد الإخراج التراجع
  • 1.13. اختيار الميزات
    • 1.13.1. إزالة الميزات ذات التباين المنخفض
    • 1.13.2. اختيار الميزات أحادية المتغير
    • 1.13.3. إزالة الميزات التكراري
    • 1.13.4. اختيار الميزات باستخدام SelectFromModel
    • 1.13.5. اختيار الميزات المتسلسل
    • 1.13.6. اختيار الميزات كجزء من خط أنابيب
  • 1.14. التعليم شبه الخاضع للإشراف
    • 1.14.1. التدريب الذاتي
    • 1.14.2. انتشار التصنيف
  • 1.15. الانحدار المتساوي التوتر
  • 1.16. معايرة الاحتمال
    • 1.16.1. منحنيات المعايرة
    • 1.16.2. معايرة المصنف
    • 1.16.3. الاستخدام
  • 1.17. نماذج الشبكات العصبية (الخاضعة للإشراف)
    • 1.17.1. متعدد الطبقات Perceptron
    • 1.17.2. التصنيف
    • 1.17.3. التراجع
    • 1.17.4. التنظيم
    • 1.17.5. الخوارزميات
    • 1.17.6. التعقيد
    • 1.17.7. نصائح حول الاستخدام العملي
    • 1.17.8. مزيد من التحكم مع warm_start
• 2. التعليم الغير خاضع للإشراف
  • 2.1. نماذج خليط غاوسي
    • 2.1.1. خليط غاوسي
    • 2.1.2. خليط غاوسي بايزي المتغير
  • 2.2. تعلم المشعبات
    • 2.2.1. مقدمة
    • 2.2.2. Isomap
    • 2.2.3. Locally Linear Embedding (التضمين الخطي المحلي)
    • 2.2.4. Modified Locally Linear Embedding (التضمين الخطي المحلي المعدل)
    • 2.2.5. Hessian Eigenmapping (تعيين Eigen Hessian)
    • 2.2.6. Spectral Embedding (التضمين الطيفي)
    • 2.2.7. Local Tangent Space Alignment (محاذاة فضاء المماس المحلي)
    • 2.2.8. Multi-dimensional Scaling (MDS) (التحجيم متعدد الأبعاد)
    • 2.2.9. t-distributed Stochastic Neighbor Embedding (t-SNE) (التضمين العشوائي للجار الموزع على t)
    • 2.2.10. نصائح حول الاستخدام العملي
    • 2.2.11. مقدمة
    • 2.2.12. Isomap
    • 2.2.13. التضمين الخطي المحلي
    • 2.2.14. التضمين الخطي المحلي المعدل
    • 2.2.15. رسم خرائط القيمة الذاتية للهيسية
    • 2.2.16. التضمين الطيفي
    • 2.2.17. محاذاة الفضاء المماس المحلي
    • 2.2.18. القياس متعدد الأبعاد (MDS)
    • 2.2.19. التضمين العشوائي للجيران (t-SNE)
    • 2.2.20. نصائح للاستخدام العملي
  • 2.3. التجميع
    • 2.3.1. نظرة عامة على طرق التجميع
    • 2.3.2. K-means
    • 2.3.3. انتشار التقارب
    • 2.3.4. Mean Shift
    • 2.3.5. التجميع الطيفي
    • 2.3.6. التجميع الهرمي
    • 2.3.7. DBSCAN
    • 2.3.8. HDBSCAN
    • 2.3.9. OPTICS
    • 2.3.10. BIRCH
    • 2.3.11. تقييم أداء التجميع
  • 2.4. التجميع الثنائي
    • 2.4.1. التجميع المشترك الطيفي
    • 2.4.2. التجميع الثنائي الطيفي
    • 2.4.3. تقييم التجميع الثنائي
  • 2.5. تحليل الإشارات إلى مكونات (مشاكل تحليل المصفوفات)
    • 2.5.1. تحليل المكونات الرئيسية (PCA)
    • 2.5.2. تحليل المكونات الرئيسية للنواة (kPCA)
    • 2.5.3. تحليل القيمة الفردية المقطوع والتحليل الدلالي الكامن
    • 2.5.4. تعلم القاموس
    • 2.5.5. تحليل العوامل
    • 2.5.6. تحليل المكونات المستقلة (ICA)
    • 2.5.7. تحليل المصفوفة غير السالبة (NMF أو NNMF)
    • 2.5.8. تخصيص ديريتشليت الكامن (LDA)
  • 2.6. تقدير التباين المشترك
    • 2.6.1. التباين المشترك التجريبي
    • 2.6.2. التباين المشترك المنكمش
    • 2.6.3. التباين المشترك العكسي المتناثر
    • 2.6.4. تقدير التباين المشترك القوي
  • 2.7. كشف القيم الغريبة والقيم المتطرفة
    • 2.7.1. نظرة عامة على أساليب كشف القيم المتطرفة
    • 2.7.2. كشف القيم الغريبة
    • 2.7.3. كشف القيم المتطرفة
    • 2.7.4. كشف القيم الغريبة باستخدام مُعامل القيم المتطرفة المحلي
  • 2.8. تقدير الكثافة
    • 2.8.1. تقدير الكثافة: الرسوم البيانية
    • 2.8.2. تقدير كثافة النواة
  • 2.9. نماذج الشبكة العصبية (غير خاضعة للإشراف)
    • 2.9.1. آلات بولتزمان المُقيّدة
• 3. تقييم وإختيار النموذج
  • 3.1. التحقق المتبادل: تقييم أداء المقدر
    • 3.1.1. حساب المقاييس المتحقق منها
    • 3.1.2. مكررات التحقق المتبادل
    • 3.1.3. ملاحظة حول الخلط
    • 3.1.4. التحقق المتبادل واختيار النموذج
    • 3.1.5. درجة اختبار التقليب
  • 3.2. ضبط المعلمات الفائقة لمُقدِّر
    • 3.2.1. بحث الشبكة الشامل
    • 3.2.2. تحسين المعلمات العشوائي
    • 3.2.3. البحث عن المعلمات المثلى مع النصف المُتتالي
    • 3.2.4. نصائح للبحث عن المعلمات
    • 3.2.5. بدائل للبحث الشامل عن المعلمات
  • 3.3. ضبط عتبة القرار لتنبؤ الفئة
    • 3.3.1. ضبط عتبة القرار بعد التدريب
  • 3.4. المقاييس والتهديف: تحديد جودة التنبؤات
    • 3.4.1. معلمة scoring: تعريف قواعد تقييم النموذج
    • 3.4.2. مقاييس التصنيف
    • 3.4.3. مقاييس ترتيب متعددة التسميات
    • 3.4.4. مقاييس الانحدار
    • 3.4.5. مقاييس التجميع
    • 3.4.6. مقدرات وهمية
  • 3.5. منحنيات التحقق من الصحة: رسم الدرجات لتقييم النماذج
    • 3.5.1. منحنى التحقق من الصحة
    • 3.5.2. منحنى التعلم
• 4. الفحص
  • 4.1. مخططات الاعتماد الجزئي والتوقع الشرطي الفردي
    • 4.1.1. مخططات الاعتماد الجزئي
    • 4.1.2. مخطط التوقع الشرطي الفردي (ICE)
    • 4.1.3. التعريف الرياضي
    • 4.1.4. طرق الحساب
  • 4.2. أهمية التبديل
    • 4.2.1. مخطط خوارزمية أهمية التبديل
    • 4.2.2. العلاقة بأهمية الشجرة القائمة على الشوائب
    • 4.2.3. القيم المضللة على الميزات ذات الارتباط القوي
• 5. التصورات المرئية
  • 5.1. أدوات التخطيط المتاحة
    • 5.1.1. عرض الكائنات
• 6. تحويلات مجموعات البيانات
  • 6.1. خطوط الأنابيب والمقدرات المركبة
    • 6.1.1. Pipeline: سلسلة المقدرات
    • 6.1.2. تحويل الهدف في الانحدار
    • 6.1.3. FeatureUnion: مساحات ميزات مركبة
    • 6.1.4. ColumnTransformer للبيانات غير المتجانسة
    • 6.1.5. تصور المقدرات المركبة
  • 6.2. استخراج الميزات
    • 6.2.1. تحميل الميزات من القواميس
    • 6.2.2. تجزئة الميزات
    • 6.2.3. استخراج ميزات النص
    • 6.2.4. استخراج ميزات الصور
  • 6.3. المعالجة المسبقة للبيانات
    • 6.3.1. التوحيد التحجيم(قياس)ي، أو إزالة المتوسط وتحجيم(قياس) التباين
    • 6.3.2. التحويل غير الخطي
    • 6.3.3. التطبيع
    • 6.3.4. تشفير الميزات الفئوية
    • 6.3.5. التحويل إلى فئات (التقطيع)
    • 6.3.6. إسناد القيم المفقودة
    • 6.3.7. إنشاء ميزات متعددة الحدود
    • 6.3.8. محولات مخصصة
  • 6.4. تعويض القيم المفقودة
    • 6.4.1. التعويض أحادي المتغير مقابل التعويض متعدد المتغيرات
    • 6.4.2. تعويض الميزات أحادية المتغير
    • 6.4.3. تعويض الميزات متعددة المتغيرات
    • 6.4.4. تعويض أقرب الجيران
    • 6.4.5. الحفاظ على عدد الميزات ثابتًا
    • 6.4.6. وضع علامة على القيم المُعوضة
    • 6.4.7. المُقدِّرات التي تتعامل مع قيم NaN
  • 6.5. تخفيض الأبعاد غير الخاضع للإشراف
    • 6.5.1. PCA: تحليل المكونات الرئيسية
    • 6.5.2. الإسقاطات العشوائية
    • 6.5.3. تجميع الميزات
  • 6.6. الإسقاط العشوائي
    • 6.6.1. مبرهنة جونسون-ليندستراوس
    • 6.6.2. الإسقاط العشوائي ذاتي
    • 6.6.3. الإسقاط العشوائي النادر
    • 6.6.4. التحويل العكسي
  • 6.7. Kernel Approximation
    • 6.7.1. أسلوب Nystroem لتقريب النواة
    • 6.7.2. نواة دالة الأساس الشعاعي
    • 6.7.3. نواة Chi التربيعية المضافة
    • 6.7.4. نواة Chi التربيعية المُنحرفة
    • 6.7.5. تقريب النواة متعددة الحدود عبر Tensor Sketch
    • 6.7.6. التفاصيل الرياضية
  • 6.8. مقاييس المقارنة الزوجية، والصلات، والنوى (Kernels)
    • 6.8.1. تشابه جيب التمام
    • 6.8.2. النواة الخطية
    • 6.8.3. النواة متعددة الحدود
    • 6.8.4. النواة السينية (Sigmoid)
    • 6.8.5. نواة دالة أساس شعاعي (RBF)
    • 6.8.6. نواة لابلاس
    • 6.8.7. نواة مربع كاي
  • 6.9. تحويل هدف التنبؤ (y)
    • 6.9.1. تثنية التصنيف
    • 6.9.2. الترميز التصنيفي
• 7. مجموعات البيانات التجريبية
  • 7.1. Iris plants dataset
  • 7.2. Diabetes dataset
  • 7.3. Optical recognition of handwritten digits dataset
  • 7.4. Linnerrud dataset
  • 7.5. Wine recognition dataset
  • 7.6. Breast cancer wisconsin (diagnostic) dataset
• 8. مجموعات بيانات العالم الحقيقي
  • 8.1. The Olivetti faces dataset
  • 8.2. The 20 newsgroups text dataset
  • 8.3. The Labeled Faces in the Wild face recognition dataset
  • 8.4. Forest covertypes
  • 8.5. RCV1 dataset
  • 8.6. Kddcup 99 dataset
  • 8.7. California Housing dataset
  • 8.8. Species distribution dataset
• 9. مجموعات البيانات المُولَّدة
  • 9.1. مولدات البيانات التصنيف والتجميع
    • 9.1.1. توليد بيانات للتصنيف الثنائي
    • 9.1.2. توليد بيانات للتصنيف المتعدد
    • 9.1.3. توليد بيانات للتجميع الثنائي
  • 9.2. توليد بيانات للانحدار
  • 9.3. مولدات البيانات لتعليم التشعبي manifold
  • 9.4. مولدات البيانات للتحليل التراكب decomposition
• 10. تحميل مجموعات بيانات أخرى
  • 10.1. صور عينة
  • 10.2. مجموعات البيانات بتنسيق svmlight / libsvm
  • 10.3. تنزيل مجموعات البيانات من مستودع openml.org
    • 10.3.1. إصدارات مجموعة البيانات
    • 10.3.2. محلل ARFF
  • 10.4. التحميل من مجموعات بيانات خارجية
• 11. الحوسبة مع scikit-learn
  • 11.1. استراتيجيات للقياس حسابيًا: بيانات أكبر
    • 11.1.1. التطوير مع حالات باستخدام التعلم خارج النواة
  • 11.2. الأداء الحسابي
    • 11.2.1. زمن الوصول للتنبؤ
    • 11.2.2. إنتاجية التنبؤ
    • 11.2.3. نصائح وحيل
  • 11.3. التوازي وإدارة الموارد والتهيئة
    • 11.3.1. التوازي
    • 11.3.2. مفاتيح التهيئة
• 12. حفظ النموذج
  • 12.1. نظرة عامة على سير العمل
    • 12.1.1. تدريب النموذج وحفظه
  • 12.2. ONNX
  • 12.3. skops.io
  • 12.4. pickle و joblib و cloudpickle
  • 12.5. قيود الأمان والصيانة
    • 12.5.1. تكرار بيئة التدريب في الإنتاج
    • 12.5.2. تقديم قطعة أثرية النموذج
  • 12.6. تلخيص النقاط الرئيسية
• 13. المزالق الشائعة والممارسات الموصى بها
  • 13.1. ما قبل المعالجة غير المتسقة
  • 13.2. تسرب البيانات
    • 13.2.1. كيفية تجنب تسرب البيانات
    • 13.2.2. تسرب البيانات أثناء ما قبل المعالجة
  • 13.3. التحكم في العشوائية
    • 13.3.1. استخدام None أو RandomState، والمكالمات المتكررة لـ fit و split
    • 13.3.2. المزالق الشائعة والتعقيدات
    • 13.3.3. توصيات عامة
• 14. Dispatching
  • 14.1. دعم المدخلات المتوافقة مع Array API
    • 14.1.1. المقدرات
    • 14.1.2. المقدرات الوصفية
    • 14.1.3. المقاييس
    • 14.1.4. الأدوات
    • 14.1.5. نوع قيم الإرجاع والسمات المناسبة
  • 14.2. فحوصات المقدر الشائعة
    • 14.2.1. ملاحظة حول دعم جهاز MPS
    • 14.2.2. ملاحظة حول دعم الجهاز لـ float64
• 15. اختيار المقدر المناسب
• 16. المصادر الخارجية ومقاطع الفيديو والمحادثات
  • 16.1. جديد على Scientific Python?
  • 16.2. البرامج التعليمية الخارجية
  • 16.3. مقاطع الفيديو

تحت التطوير

• 1. توجيه (إدارة) البيانات الوصفية