معرفی و پیش‌نیازهای دوره
دورهٔ حضوری و پروژه محور یادگیری ماشین با پایتون در سطح مقدماتی (Basic)، با تمرین روی دیتاست های واقعی و همراهی مدرس. مسیر یادگیری از تحلیل و آماده سازی داده شروع می شود و تا ساخت، ارزیابی و مقایسهٔ مدل های هوشمند و اجرای یک پروژهٔ کامل ادامه دارد.
پیش نیازها: آشنایی مقدماتی با برنامه نویسی پایتون، آمار و احتمال و تحلیل داده.
مناسب برای برنامه نویسان پایتون، تحلیلگران داده، دانشجویان کامپیوتر، مهندسی، آمار و ریاضی و علاقه مندانی که این پیش نیازها را دارند و می خواهند وارد مسیر یادگیری ماشین شوند.
شیوهٔ برگزاری: 12 جلسهٔ دوساعته، مجموعاً 24 ساعت آموزش حضوری و تمرین پروژه محور؛ مدت تقریبی حدود دو ماه. خروجی دوره، اجرای چرخهٔ یک پروژهٔ یادگیری ماشین و آماده سازی آن به عنوان نمونه کار است.
بعد از این دوره چه چیزی می‌توانی بسازی؟
در پایان این مسیر می‌توانی چرخهٔ یک پروژهٔ یادگیری ماشین را از انتخاب دیتاست و تحلیل اکتشافی تا پاک‌سازی، آموزش، پیش‌بینی، ارزیابی و انتخاب مدل نهایی اجرا کنی و نتیجه را به‌عنوان نمونه‌کار ارائه دهی.
سرفصل‌های دوره
ابزارهای پایتون برای یادگیری ماشین
- کار با آرایه‌ها و عملیات ماتریسی در NumPy
- مدیریت، فیلتر و تحلیل داده با Pandas
- مصورسازی داده با Matplotlib و Seaborn
مبانی و چرخهٔ یادگیری ماشین
- آشنایی با Machine Learning و مفاهیم پایه
- تعریف مسئله، انتخاب و گردآوری دیتاست
- چرخهٔ Machine Learning Workflow
تحلیل اکتشافی و پاک‌سازی داده
- تحلیل اکتشافی داده‌ها (EDA)
- بررسی ساختار، داده‌های تکراری و مقادیر گمشده
- شناسایی داده‌های پرت و بررسی همبستگی‌ها
پیش‌پردازش و آماده‌سازی داده
- داده‌های دسته‌ای و Label Encoding و One-Hot Encoding
- Feature Scaling؛ استانداردسازی و نرمال‌سازی
- Train/Test Split و جلوگیری از Data Leakage
- یکپارچه‌سازی مراحل پیش‌پردازش و مهندسی ویژگی مقدماتی
رگرسیون و ارزیابی مدل
- رگرسیون خطی ساده و چندگانه
- Cost Function و Gradient Descent
- رگرسیون چندجمله‌ای
- معیارهای MAE، MSE، RMSE و R²
دسته‌بندی و الگوریتم‌های نظارت‌شده
- دسته‌بندی دودویی و چندکلاسه و Logistic Regression
- K-Nearest Neighbors (KNN) و Naive Bayes
- Support Vector Machine (SVM)
- Decision Tree؛ ناخالصی Gini، آنتروپی و بهرهٔ اطلاعاتی
- معیارهای ارزیابی Classification
کنترل خطا و بهبود مدل
- تشخیص و مدیریت Overfitting و Underfitting
- Cross-Validation و اعتبارسنجی متقابل
- Regularization و منظم‌سازی
خوشه‌بندی و کاهش ابعاد
- یادگیری بدون ناظر و Clustering
- K-Means؛ مرکز خوشه، تخصیص و Elbow Method
- مفهوم کاهش ابعاد و آشنایی با PCA
پروژهٔ پایانی End-to-End
- انتخاب Dataset و اجرای EDA و Data Cleaning
- پیش‌پردازش، Feature Engineering مقدماتی و Train/Test Split
- انتخاب و آموزش مدل‌ها و انجام Prediction
- Evaluation، مقایسه مدل‌ها و انتخاب مدل نهایی
نمونهٔ خروجی این تکنولوژی‌ها در گلجام
ما در گلجام با همین تکنولوژی‌ها توانسته‌ایم نمونه‌کارهای واقعی بسازیم. پروژه‌های اجراشده را ببین تا با کاربرد مهارت‌هایی که یاد می‌گیری آشنا شوی.
مشاهده نمونه‌کارهای گلجام