بوت کمپ یادگیری ماشین: ساخت مدلهای ML با استفاده از GenAI
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ایجاد یک پایه قوی در Python، آمار و یادگیری ماشین (Machine Learning) - پوشش رگرسیون، طبقهبندی (Classification) و ارزیابی مدل
- کار با مجموعه دادههای واقعی برای پاکسازی، پیشپردازش و مصورسازی دادهها با استفاده از NumPy ،Pandas و Seaborn برای آمادگی ML
- پیادهسازی الگوریتمهای اصلی ML در Python با کدنویسی به کمک ChatGPT برای توسعه سریعتر، تمیزتر و کارآمدتر
- تسلط به تکنیکهای پیشرفته ML مانند متدهای Ensemble ،Grid Search و SVMها برای ایجاد مدلهای پیشبینیکننده با عملکرد بالا
- مدیریت مقادیر گمشده، دادههای پرت (Outliers)، متغیرهای طبقهبندی (Categorical) و مقیاسبندی ویژگیها (Feature Scaling) برای بهبود کیفیت و دقت مدل
- بهرهگیری از ChatGPT برای توضیح مفاهیم پیچیده ML، دیباگ کردن کد Python و تولید راهکارهای کارآمد به صورت بلادرنگ (Real-time)
- مقایسه مدلهای متعدد در کنار هم برای انتخاب بهترین گزینه متناسب با دقت پیشبینی و الزامات تجاری
پیشنیازهای دوره
- هیچ تجربه قبلی در برنامهنویسی یا یادگیری ماشین مورد نیاز نیست - یک کامپیوتر با دسترسی به اینترنت، آشنایی اولیه با ابزارهای مرورگر و تمایل به کاوش روشهای یادگیری با کمک هوش مصنوعی
توضیحات دوره
اگر شما یک دانشمند داده مشتاق، تحلیلگر یا علاقهمند به هوش مصنوعی هستید که به دنبال ورود به یکی از پرتقاضاترین حوزههای دهه اخیر است، تصور کنید یک راهنمای عملی دارید که نه تنها تئوری، بلکه نحوه کدنویسی، پیادهسازی و تنظیم دقیق (Fine-tune) مدلها را بدون گم شدن در پیچیدگیها به شما میآموزد. چه میشد اگر میتوانستید منحنی یادگیری خود را با داشتن یک شریک هوش مصنوعی (ChatGPT) که به شما در نوشتن کد تمیزتر، دیباگ سریعتر و درک شهودیتر مفاهیم کمک میکند، سرعت ببخشید؟
در این بوتکمپ جامع و عملی، مهارتهای فنی، ذهنیت حل مسئله و تجربه پروژهای مورد نیاز برای کار با اطمینان با کاربردهای واقعی یادگیری ماشین را به دست خواهید آورد. چه در حال ساخت مدلهای پیشبینیکننده باشید، چه طبقهبندی دادهها یا تنظیم الگوریتمهای پیشرفته، این دوره شما را مجهز میکند تا در کمترین زمان از «یادگیری درباره ML» به «ساختن با ML» حرکت کنید.
در این دوره عملی، شما:
- به گردش کار کامل ML تسلط خواهید یافت – از ایمپورت کردن داده، کاوش و پیشپردازش تا ساخت مدل، ارزیابی و بهینهسازی
- ریاضیات و منطق پشت الگوریتمهای کلیدی مانند رگرسیون خطی و لجستیک، درختهای تصمیم گیری (Decision Trees)، جنگلهای تصادفی (Random Forests)، KNN، SVM، متدهای Boosting و موارد دیگر را درک خواهید کرد.
- با کدنویسی به کمک ChatGPT یاد خواهید گرفت – استفاده از هوش مصنوعی برای تولید، بهینهسازی و دیباگ کد Python برای پیادهسازی سریعتر و دقیقتر
- با برترین کتابخانههای ML پایتون کار خواهید کرد مانند NumPy ،Pandas ،Seaborn ،Scikit-learn و XGBoost
- هم مدلهای رگرسیون و هم طبقهبندی را خواهید ساخت و درک خواهید کرد که چه زمانی هر کدام را اعمال کنید.
- تجربه در موضوعات پیشرفته مانند تنظیم مدل با Grid Search، مهندسی ویژگی (Feature Engineering)، متدهای Ensemble و SVMهای مبتنی بر کرنل (Kernel-based) کسب خواهید کرد.
در طول دوره، شما:
- از ChatGPT برای نوشتن و اصلاح کد Python برای تسکهای ML استفاده خواهید کرد.
- تئوری یک الگوریتم و پیادهسازی واقعی Python آن را در کنار هم بررسی خواهید کرد.
- با مجموعه دادههای دنیای واقعی کار خواهید کرد و مقادیر گمشده، دادههای پرت و متغیرهای طبقهبندی را مدیریت خواهید کرد.
- مدلها را مقایسه و ارزیابی خواهید کرد تا بهترین رویکرد برای یک مسئله خاص را انتخاب کنید.
- مجموعهای از پروژههای آماده برای پورتفولیو خواهید ساخت که هم توانایی کدنویسی و هم درک ML شما را به نمایش میگذارند.
یادگیری ماشین چیزی بیش از دانستن الگوریتمهاست - بلکه درباره به کارگیری موثر آنها روی دادههای واقعی است. تا پایان این بوتکمپ، شما قادر خواهید بود با اطمینان به مسائل ML نزدیک شوید، مدلها را بسازید و بهینهسازی کنید و از ابزارهای هوش مصنوعی مانند ChatGPT برای افزایش بهرهوری و دقت خود بهره ببرید.
چه در حال آمادهسازی برای شغلی در علم داده باشید، چه به عنوان یک توسعهدهنده ML را به مهارتهای خود اضافه کنید، یا صرفاً پتانسیل حل مسئله با هوش مصنوعی را کاوش کنید، شما با مهارتها، اعتماد به نفس و گردش کار لازم برای موفقیت از این دوره خارج خواهید شد.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده و تحلیلگران مشتاقی که خواهان یک معرفی ساختاریافته و عملی به یادگیری ماشین با استفاده از Python هستند.
- دانشجویان و متخصصان با پیشزمینه غیرفنی که مشتاق ورود به حوزه ML/AI با کمک کدنویسی به کمک ChatGPT هستند.
- توسعهدهندگان نرمافزار، مهندسان و متخصصان IT که به دنبال گسترش مهارتهای خود به یادگیری ماشین و تحلیلهای پیشبینیکننده هستند.
- تحلیلگران کسبوکار، مدیران و متخصصان حوزه که میخواهند از مدلهای دادهمحور برای حل مشکلات دنیای واقعی استفاده کنند.
- هر کسی که کنجکاو است بداند چگونه یادگیری ماشین را - از رگرسیون تا متدهای پیشرفته Ensemble - بدون نیاز به تجربه قبلی ML به کار ببرد.
بوت کمپ یادگیری ماشین: ساخت مدلهای ML با استفاده از GenAI
-
مقدمه 02:42
-
نصب Python و Anaconda 03:04
-
باز کردن Jupyter Notebook 09:04
-
مقدمهای بر Jupyter 13:27
-
عملگرهای حسابی در Python: مبانی Python 04:28
-
رشتهها (Strings) در Python: مبانی Python 19:07
-
لیستها، تاپلها و دایرکتوریها: مبانی Python 18:40
-
کار با کتابخانه Numpy پایتون 11:52
-
کار با کتابخانه Pandas پایتون 09:15
-
کار با کتابخانه Seaborn پایتون 08:57
-
انواع داده 04:04
-
انواع آمار 02:45
-
توصیف گرافیکی دادهها 11:37
-
معیارهای مرکزی 07:05
-
معیارهای پراکندگی 04:26
-
مقدمهای بر یادگیری ماشین 16:03
-
ساخت یک مدل یادگیری ماشین 08:42
-
گردآوری دانش کسبوکار 02:53
-
کاوش دادهها 03:19
-
مجموعه داده و دیکشنری داده 07:31
-
ایمپورت کردن داده در Python (با کمک ChatGPT) 05:35
-
تحلیل تکمتغیره و EDD 03:31
-
تحلیل تکمتغیره روی دادهها در Python (با کمک ChatGPT) 12:12
-
مدیریت دادههای پرت (Outlier Treatment) 04:15
-
مدیریت دادههای پرت در Python (با کمک ChatGPT) 10:01
-
جایگزینی مقادیر گمشده 03:36
-
جایگزینی مقادیر گمشده در Python (با کمک ChatGPT) 06:49
-
Seasonality در داده 03:35
-
تحلیل دو متغیره و تبدیل متغیر 16:14
-
تبدیل متغیر در Python (با کمک ChatGPT) 11:02
-
متغیرهای غیرقابل استفاده 04:44
-
ایجاد متغیر Dummy: مدیریت دادههای کیفی 04:50
-
متغیرهای Dummy در Python (با کمک ChatGPT) 07:43
-
تحلیل همبستگی (Correlation) 10:05
-
ماتریس همبستگی در Python (با کمک ChatGPT) 07:20
-
رگرسیون خطی - مقدمه 01:15
-
معادلات پایه و روش حداقل مربعات معمولی (OLS) 08:13
-
ارزیابی دقت ضرایب پیشبینی شده 14:40
-
ارزیابی دقت مدل: RSE و R squared 07:19
-
رگرسیون خطی ساده با استفاده از Python (با کمک ChatGPT) 10:34
-
رگرسیون خطی چندگانه 04:58
-
آماره F 08:22
-
تفسیر نتایج متغیرهای طبقهبندی (Categorical) 05:04
-
رگرسیون خطی چندگانه در Python (با کمک ChatGPT) 06:21
-
تقسیمبندی داده تست و آموزش 09:32
-
مبادله بایاس و واریانس (Bias Variance trade-off) 06:01
-
تقسیمبندی Train-Test در Python (با کمک ChatGPT) 05:47
-
متدهای انقباضی (Shrinkage methods): Ridge و Lasso 07:14
-
رگرسیون Ridge و Lasso در Python (با کمک ChatGPT) 09:37
-
ناهمسانی واریانس (Heteroscedasticity) 02:30
-
سه مدل طبقهبندی و مجموعه داده 05:31
-
بارگذاری دادههای طبقهبندی در Python (با کمک ChatGPT) 02:00
-
بیان مسئله 01:28
-
چرا نمیتوانیم از رگرسیون خطی استفاده کنیم؟ 04:32
-
رگرسیون لجستیک 07:54
-
رگرسیون لجستیک ساده در Python (با کمک ChatGPT) 07:04
-
نتیجه رگرسیون لجستیک ساده 05:11
-
لجستیک با پیشبینیکنندههای چندگانه 02:22
-
رگرسیون لجستیک چندگانه در Python (با کمک ChatGPT) 04:13
-
ماتریس درهمریختگی 03:47
-
پیشبینیها و ماتریس درهمریختگی در Python (با کمک ChatGPT) 08:22
-
ارزیابی عملکرد مدل 07:41
-
ارزیابی عملکرد مدل در Python (با کمک ChatGPT) 03:27
-
تحلیل افتراقی خطی (Linear Discriminant Analysis) 09:42
-
تحلیل افتراقی خطی (LDA) در Python (با کمک ChatGPT) 03:38
-
تقسیمبندی داده در Python (با کمک ChatGPT) 03:19
-
طبقهبندیکننده K-نزدیکترین همسایه 08:41
-
KNN در Python - بخش (با کمک ChatGPT) 08:03
-
KNN در Python - بخش 2 (با کمک ChatGPT) 05:48
-
درک نتایج مدلهای طبقهبندی 06:06
-
خلاصه سه مدل 04:32
-
مقدمهای بر درختهای تصمیم گیری 03:39
-
مبانی درختهای تصمیم گیری 10:10
-
درک یک درخت رگرسیون 10:17
-
معیارهای توقف برای کنترل رشد درخت 03:15
-
بارگذاری داده برای رگرسور درخت تصمیم گیری در Python 01:31
-
جایگزینی مقادیر گمشده برای رگرسور درخت تصمیم گیری (با کمک ChatGPT) 01:35
-
متغیرهای Dummy برای رگرسور درخت تصمیم گیری در Python (با کمک ChatGPT) 01:29
-
تقسیمبندی داده برای رگرسور درخت تصمیم گیری در Python (با کمک ChatGPT) 03:59
-
آموزش و ارزیابی مدل درخت تصمیم گیری در Python (با کمک ChatGPT) 05:50
-
رسم درخت تصمیم گیری در Python (با کمک ChatGPT) 02:02
-
هرس کردن درخت 04:16
-
هرس کردن درخت تصمیم گیری در Python (با کمک ChatGPT) 06:56
-
درخت طبقهبندی 06:06
-
مجموعه داده برای مسئله طبقهبندی 01:38
-
پیشپردازش درخت طبقهبندی در Python (با کمک ChatGPT) 09:22
-
آموزش درخت طبقهبندی در Python (با کمک ChatGPT) 17:28
-
مزایا و معایب درختهای تصمیم 01:34
-
تکنیک Bagging 06:39
-
تکنیک Bagging در Python (با کمک ChatGPT) 11:56
-
جنگلهای تصادفی (Random Forests) 03:56
-
جنگلهای تصادفی در Python (با کمک ChatGPT) 05:07
-
تکنیک Grid Search برای جنگل تصادفی در Python (با کمک ChatGPT) 07:11
-
تکنیک Boosting 07:11
-
تکنیک Ensemble - بخش 3/1 - Boosting در Python (با کمک ChatGPT) 04:50
-
تکنیک Ensemble - بخش 3/2 - AdaBoost در Python (با کمک ChatGPT) 05:20
-
تکنیک Ensemble - بخش 3/3 - XGBoost در (با کمک ChatGPT) 13:24
-
مقدمهای بر SVMها 02:45
-
مفهوم Hyperplane 04:55
-
Maximum Margin Classifier 03:18
-
محدودیتهای Maximum Margin Classifier 02:28
-
طبقهبندیکنندههای بردار پشتیبان 10:00
-
محدودیتهای طبقهبندیکنندههای بردار پشتیبان 01:34
-
ماشینهای بردار پشتیبان مبتنی بر کرنل 06:45
-
SVM در Python 00:28
-
رگرسور SVM - پیشپردازش در Python (با کمک ChatGPT) 04:14
-
رگرسور SVM - مقیاسبندی در Python (با کمک ChatGPT) 04:37
-
رگرسیون بردار پشتیبان (SVR) در Python (با کمک ChatGPT) 06:54
-
پیشپردازش SVC در Python (با کمک ChatGPT) 09:23
-
طبقهبندی بردار پشتیبان (SVC) در Python (با کمک ChatGPT) 08:03
-
تکنیک Grid Search برای SVM در Python (با کمک ChatGPT) 08:17
-
کرنل چندجملهای SVM در Python (با کمک ChatGPT) 03:46
-
کرنل شعاعی SVM در Python (با کمک ChatGPT) 08:12
مشخصات آموزش
بوت کمپ یادگیری ماشین: ساخت مدلهای ML با استفاده از GenAI
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:همه سطوح
- تعداد درس:113
- مدت زمان :12:25:23
- حجم :5.42GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy