تسلط به یادگیری ماشین از ابتدا

آنچه یاد خواهید گرفت:

• مفاهیم اصلی یادگیری ماشین و این‌که مدل‌ها چگونه از داده‌ یاد می‌گیرند را درک کنید.
• الگوریتم‌های محبوب ML مانند رگرسیون خطی، درخت تصمیم گیری و جنگل تصادفی را هم از ابتدا و هم با استفاده از کتابخانه‌ها پیاده‌سازی کنید.
• مدل‌ها را با استفاده از اعتبارسنجی متقابل، منظم‌سازی و معیارهای عملکرد ارزیابی، تنظیم و بهبود دهید.
• تکنیک‌های ML را روی مجموعه‌داده‌ واقعی اعمال کنید و پروژه‌های کامل و عملی بسازید.

پیش‌نیازهای دوره

• درک اولیه برنامه‌نویسی Python و ریاضیات (جبر، آمار).
• نیازی به دانش قبلی در یادگیری ماشین نیست - همه‌چیز گام‌به‌گام آموزش داده می‌شود.

توضیحات دوره

تسلط به یادگیری ماشین از ابتدا یک دوره‌ی کامل و گام‌به‌گام است که برای رساندن شما از سطح مبتدی به یک کاربر مطمئن و توانمند طراحی شده است. این دوره به‌گونه‌ای ساختاربندی شده که ابتدا اصول محکمی ایجاد می‌کند و سپس به سراغ مباحث پیشرفته می‌رود؛ بنابراین نه‌تنها الگوریتم‌ها را یاد می‌گیرید، بلکه دلیل و منطق پشت آن‌ها را هم درک می‌کنید.

کار را با مقدمه‌ای بر یادگیری ماشین آغاز می‌کنیم؛ جایی که انواع ML و کاربردهای واقعی آن را می‌شناسید. سپس وارد یادگیری نظارت‌شده (رگرسیون) می‌شویم و رگرسیون خطی را به‌صورت کامل بررسی می‌کنیم - از تئوری، گرادیان کاهشی و پیاده‌سازی گرفته تا مفاهیم پیشرفته‌ای مانند تبادل سوگیری-واریانس، منظم‌سازی (L1 و L2)، اعتبارسنجی متقابل، رگرسیون چندجمله‌ای و ارزیابی مدل.

در ادامه، الگوریتم‌های طبقه‌بندی از جمله رگرسیون لجستیک و درخت تصمیم گیری را بررسی می‌کنید و هم مبانی نظری و هم پیاده‌سازی کدنویسی آن‌ها را یاد می‌گیرید. بر پایه‌ی این مباحث، به سراغ تکنیک‌های یادگیری تجمیعی مانند Bagging ،Boosting، Stacking، جنگل تصادفی و XGBoost می‌رویم که امروزه به‌طور گسترده در صنعت استفاده می‌شوند.

سپس دوره به معرفی الگوریتم‌های غیرخطی مانند K-Nearest Neighbors (KNN) و Support Vector Machines (SVM) می‌پردازد و بعد از آن وارد یادگیری بدون نظارت می‌شوید؛ جایی که K-Means، خوشه‌بندی سلسله‌مراتبی و PCA را همراه با تکنیک‌های ارزیابی مانند متد Elbow و امتیاز Silhouette به‌خوبی یاد می‌گیرید.

هر بخش شامل کوئیزهایی برای سنجش دانش شما است و دوره با پروژه‌های نهایی به پایان می‌رسد:

تا پایان این دوره، تجربه‌ی عملی در پیاده‌سازی جریان‌های کاری کامل ML خواهید داشت - از پیش‌پردازش داده تا ساخت و ارزیابی مدل. چه برای مسیر شغلی در علم داده آماده می‌شوید، چه می‌خواهید اصول ML خود را تقویت کنید، یا روی پروژه‌های واقعی کار می‌کنید، این دوره تعادل مناسبی از تئوری، کدنویسی و کاربرد عملی را در اختیار شما قرار می‌دهد.

این دوره برای چه کسانی مناسب است؟

• مبتدیان و حرفه‌ای‌هایی که می‌خواهند یادگیری ماشین را از ابتدا یاد بگیرند و آن را در سناریوهای واقعی به‌کار ببرند.
• دانشجویانی که برای مسیرهای شغلی در علم داده، هوش مصنوعی یا تحلیلگری آماده می‌شوند و می‌خواهند مهارت‌های عملی ML کسب کنند.