دستورالعمل پروژه‌های یادگیری ماشینی

آنچه یاد خواهید گرفت:

• درک عمیق‌تری از 11 مرحله‌ درگیر در توسعه و پیاده‌سازی پروژه‌های ML
• بهترین شیوه‌ها برای پیگیری در حین اجرای پروژه‌های ML
• ساخت قالبی که می‌توانید برای پروژه‌های ML آینده‌ی خود استفاده کنید.
• راهنمایی‌ها برای انتخاب معیارهای ارزیابی 
• راهنمایی‌ها برای انتخاب الگوریتم‌های ML جهت حل مسئله خاص
• چگونه می‌توانید عملکرد مدل‌های ML را به‌صورت بصری مقایسه کرده و بهترین مدل را انتخاب کنید؟
• نشت داده چیست و چگونه آن را شناسایی، پیشگیری و به حداقل برسانیم؟
• اهمیت تبدیل مسائل کسب‌وکار به مسائل تحلیلی پیش از ساخت مدل‌های ML
• چگونه دیتاست‌ها را با استفاده از تحلیل اکتشافی داده با ابزارهای مختلف درک کنیم؟
• رویکردی با جزئیات به پیش‌پردازش داده
• چگونگی عملکرد الگوریتم‌های مختلف Regression و طبقه‌بندی (خطی، غیرخطی و ترکیبی) و الگوریتم‌های خوشه‌بندی (مانند K-Means و RFM Analysis)
• چگونگی استفاده از الگوریتم‌های مختلف ML مانند Linear Regression ،Logistic Regression ،Gaussian Naïve Bayes، K-Nearest Neighbors و Support Vector Machines
• چگونگی استفاده از درختان تصمیم گیری، جنگل تصادفی، گرادیان بوستینگ، گرادیان بوستینگ افراطی، K-Means و غیره
• چگونگی اعمال الگوریتم‌های ML در Python با استفاده از Scikit-learn ،XGBoost و سایر کتابخانه‌های ML
• چگونه تحلیل خطا انجام داده و خطاهای پیش‌بینی را رفع کنیم؟
• چگونه Hyperparameters را تنظیم کنیم تا عملکرد مدل‌ها را بهبود دهیم؟
• چگونه با استفاده از Matplotlib ،Seaborn و Plotly نمایش‌های بصری جذاب بسازیم؟
• و موارد بسیار بیشتر

پیش‌نیازهای دوره

• ضروری:
• مبانی علوم کامپیوتر و برنامه‌نویسی
• ریاضیات اولیه در سطح دبیرستان
• توصیه می‌شود:
• برنامه‌نویسی اولیه Python
• مبانی Linear Algebra 
• مبانی Statistics 
• مبانی Probability Theory 
• مبانی (OOPs) (برنامه‌نویسی شیءگرا)

توضیحات دوره

این دوره توسط یک متخصص صنعت طراحی شده که بیش از 20 سال سابقه در صنعت IT دارد، شامل 15 سال تجربه مدیریت پروژه/برنامه و بیش از 10 سال تجربه مطالعه و تحقیق مستقل در زمینه‌های Machine Learning و Data Science است.

این دوره دانشجویان را با درک عمیق تئوری و مهارت‌های عملی لازم برای کار با الگوریتم‌ها و مدل‌های Machine Learning مجهز خواهد کرد.

این دوره بر اساس یک Whitepaper و کتاب «راهنمای پروژه Machine Learning» نوشته‌شده توسط نویسنده این دوره طراحی شده است.

هنگام ساخت یک مدل ML با عملکرد بالا، موضوع صرفاً تعداد الگوریتم‌هایی که می‌دانید نیست؛ بلکه چگونگی استفاده هوشمندانه از دانش موجود است.

همچنین خواهید آموخت که:

• هیچ الگوریتم واحد و منحصر به فردی وجود ندارد که برای همه مسائل مدل‌سازی پیش‌بینی به‌خوبی کار کند.
• و، عواملی که تعیین می‌کنند کدام الگوریتم برای چه نوع مسئله انتخاب شود.
• حتی الگوریتم‌های ساده ممکن است عملکرد بهتری نسبت به الگوریتم‌های پیچیده داشته باشند، اگر بدانید چگونه خطاهای مدل را مدیریت کرده و از طریق تنظیم هیپرپارامترها مدل‌ها را بهینه کنید.

مدرس در سراسر دوره از نمایش‌های بصری جذاب و انیمیشن‌ها برای توضیح مفاهیم استفاده کرده تا شما آن‌ها را بدون ابهام درک کنید.

این دوره شامل 13 بخش است:

• مقدمه
• درک کسب‌وکار
• درک داده‌ها
• پژوهش
• پیش‌پردازش داده‌ها
• توسعه مدل
• آموزش مدل
• بهبود مدل
• ارزیابی مدل
• انتخاب مدل نهایی
• اعتبارسنجی و استقرار مدل
• پروژه‌های ML - کارگاه عملی 
• ساخت قالب پروژه ML
• پروژه ML 1 (Classification)
• پروژه ML 2 (Regression)
• پروژه ML 3 (Classification)
• پروژه ML 4 (Clustering - K-Means)
• پروژه ML 5 (Clustering – RFM Analysis)

این دوره شامل 48 درس، 17 جلسه عملی و 29 فایل Asset قابل دانلود است.

در پایان این دوره، مدرس مطمئن است که شما در مصاحبه‌های شغلی عملکردی بسیار بهتر از کسانی خواهید داشت که این دوره را نگذرانده‌اند.

این دوره برای چه کسانی مناسب است؟

• مبتدیان با تجربه برنامه‌نویسی کم و ریاضیات اولیه
• برنامه‌نویسان با تجربه که می‌خواهند در حوزه ML/ Data Science/ AI فعالیت کنند.
• افرادی که قبلاً دوره‌های دیگر Machine Learning را گذرانده‌اند و می‌خواهند مهارت‌های خود را بیشتر تقویت کرده و از متدولوژی تعریف‌شده و بهترین شیوه‌ها در پروژه‌های ML با استفاده از یک قالب پروژه استاندارد استفاده کنند.