فاز 2
مبانی یادگیری ماشین
یادگیری ماشین کلاسیک هنوز ستون فقرات بیشتر سیستم‌های هوش مصنوعی در تولید است.
- 21 درس
- حدود 32 ساعت
- یادگیری ماشین چیست؟ مفاهیم پایه، انواع و پیاده‌سازی از صفرراهنمای ورود به دنیای یادگیری ماشین: یادگیری بر پایه‌ی داده، انواع اصلی ML، چرخه حیات مدل‌ها و پیاده‌سازی الگوریتم از صفر.
- رگرسیون خطی از صفر تا پیاده‌سازی با scikit-learnآموزش گام‌به‌گام رگرسیون خطی، تابع هزینه MSE، گرادیان کاهشی و پیاده‌سازی عملی از صفر و با scikit-learn.
- رگرسیون لجستیک و دسته‌بندی از صفریادگیری رگرسیون لجستیک، تابع سیگموئید، تابع زیان آنتروپی متقاطع و پیاده‌سازی گام‌به‌گام دسته‌بندی دودویی و چندکلاسه از صفر در پایتون.
- درخت تصمیم و جنگل تصادفی: پیاده‌سازی از صفر و تئوری ریاضیپیاده‌سازی گام‌به‌گام درخت تصمیم و جنگل تصادفی از صفر با پایتون و مقایسه عملکرد آن‌ها روی داده‌های جدولی.
- ماشین‌های بردار پشتیبان (SVM)؛ از فرمول‌بندی ریاضی تا پیاده‌سازیراهنمای جامع ماشین بردار پشتیبان (SVM)؛ یادگیری بیشینه‌سازی حاشیه، ترفند کرنل و پیاده‌سازی کامل با گرادیان کاهشی و scikit-learn.
- الگوریتم K-نزدیک‌ترین همسایه (KNN) و معیارهای فاصلهآموزش جامع پیاده‌سازی الگوریتم K-نزدیک‌ترین همسایه (KNN) از صفر، مقایسه معیارهای فاصله و درخت KD برای جستجوی سریع همسایگی.
- یادگیری نظارت‌نشده و الگوریتم‌های خوشه‌بندیپیاده‌سازی صفر تا صد الگوریتم‌های K-Means، DBSCAN و GMM برای استخراج الگو از داده‌های بدون برچسب و تشخیص ناهنجاری.
- مهندسی و انتخاب ویژگی در یادگیری ماشینآموزش گام‌به‌گام تبدیل داده‌های خام، کدگذاری دسته‌ها، بردارسازی متنی و فیلتر ویژگی‌های نویزدار از صفر در یادگیری ماشین.
- ارزیابی مدل در یادگیری ماشین: از صفر تا پیاده‌سازی و تحلیلآموزش جامع معیارهای ارزیابی مدل، اعتبارسنجی متقاطع K-Fold، تحلیل بیش‌برازش و جلوگیری از نشت داده در یادگیری ماشین.
- مصالحه‌ی بایاس و واریانس در یادگیری ماشینراهنمای جامع تجزیه خطای پیش‌بینی به بایاس، واریانس و نویز، تحلیل منحنی‌های یادگیری و مهار اورفیتینگ در یادگیری ماشین.
- روش‌های آنسامبل در یادگیری ماشین: از بگینگ و بوستینگ تا XGBoostآموزش پیاده‌سازی روش‌های آنسامبل (بگینگ، بوستینگ و استکینگ) و تبیین چرایی برتری الگوریتم‌هایی مثل XGBoost روی داده‌های جدولی.
- تنظیم ابرپارامترها: از جستجوی تصادفی تا بهینه‌سازی بیزی و Optunaراهنمای عملی تنظیم ابرپارامترها با مقایسه گرید سرچ، جستجوی تصادفی، بهینه‌سازی بیزی و هرس شاخه‌ها در Optuna به همراه پیاده‌سازی گام‌به‌گام.
- پایپ‌لاین‌های یادگیری ماشین: جلوگیری از نشت داده و ورود به پروداکشنآموزش جامع ساخت پایپ‌لاین‌های یادگیری ماشین با scikit-learn برای جلوگیری از نشت داده و انتقال مطمئن مدل از نوت‌بوک به محیط عملیاتی.
- الگوریتم نایو بیز (Naive Bayes) در یادگیری ماشینآموزش جامع الگوریتم نایو بیز (Naive Bayes): بررسی ریاضیات، انواع چندجمله‌ای، برنولی و گوسی و پیاده‌سازی از صفر برای دسته‌بندی متن.
- مبانی سری زمانی: ویژگی‌های تأخیری و اعتبارسنجی پیش‌روندهآموزش مفاهیم پایه سری زمانی، بررسی مانایی، ساخت ویژگی‌های تأخیری و پیاده‌سازی اعتبارسنجی پیش‌رونده برای پیش‌بینی دقیق در یادگیری ماشین.
- تشخیص ناهنجاری: از مبانی آماری تا جنگل انزوا (Isolation Forest)راهنمای جامع پیاده‌سازی روش‌های تشخیص ناهنجاری از روش‌های آماری Z-score و IQR تا الگوریتم‌های مدرن مانند Isolation Forest و LOF از صفر.
- مدیریت داده‌های نامتوازن: از SMOTE تا تنظیم آستانهراهنمای جامع کار با داده‌های نامتوازن: پیاده‌سازی الگوریتم SMOTE، وزن‌دهی به کلاس‌ها و بهینه‌سازی آستانه تصمیم‌گیری برای حل مسائل واقعی یادگیری ماشین.
- انتخاب ویژگی در یادگیری ماشین: از فیلتر تا RFE و L1راهنمای جامع روش‌های فیلتر، بسته‌بندی و توکار برای انتخاب ویژگی‌های موثر و غلبه بر نفرین ابعاد در یادگیری ماشین.
- طراحی سیستم یادگیری ماشین؛ از تعریف مسئله تا مدل مستقر در پروداکشنراهنمای جامع طراحی سیستم‌های یادگیری ماشین: از تبدیل هدف کسب‌وکار به تسک ML تا استراتژی‌های سرویس‌دهی دسته‌ای، آنلاین و الگوهای استقرار ایمن.
- مانیتورینگ مدل‌های یادگیری ماشین در پروداکشن: تغییر توزیع داده و مفهوممدل‌های مستقر در پروداکشن بدون ثبت خطا از کار می‌افتند. روش‌های پایش لایه‌ای، محاسبه‌ی شاخص پایداری جمعیت (PSI) و تمایز انواع تغییر توزیع داده را بیاموزید.
- ذخیره‌ساز ویژگی (Feature Store) و رفع انحراف آموزش و سرویس‌دهییاد بگیرید چگونه با ساخت Feature Store و پیوند مبتنی بر نقطه در زمان، از نشت داده‌های آینده و انحراف میان آموزش و سرویس‌دهی مدل‌ها جلوگیری کنید.