دوره
یاد بگیرید چطور با استفاده از تکنیک‌های تجمیعی مثل بگینگ، بوستینگ و اِستکینگ، مدل‌های یادگیری ماشین پیشرفته و موثر در پایتون بسازید.
تشخیص اینکه کدوم‌یک از مدل‌هایی که ساختید برای مسئله‌تون بهترینه، براتون سخته؟ پس از همه‌شون استفاده کنید! در این بخش یاد می‌گیرید چطور با روش‌های «رأی‌گیری» و «میانگین‌گیری»، چند مدل رو با هم ترکیب کنید و یک مدل واحد بسازید.
بگینگ (Bagging) یکی از روش‌های یادگیری جمعیه که پشت الگوریتم‌های قدرتمند یادگیری ماشین مثل جنگل تصادفی (Random Forest) قرار داره. در این بخش با مبانی این تکنیک آشنا می‌شید و با استفاده از Scikit-learn، مدل‌های بگینگ خودتون رو می‌سازید.
بوستینگ (Boosting) طبقه‌ای از الگوریتم‌های یادگیری جمعیه که مدل‌های موفقی مثل AdaBoost رو شامل می‌شه. در این بخش با این مدل آشنا می‌شید و ازش برای پیش‌بینی درآمد فیلم‌های برنده جایزه استفاده می‌کنید! همچنین با الگوریتم‌های گرادیان بوستینگ مثل CatBoost و XGBoost آشنا می‌شید.
یاد بگیرید مدل‌ها چطور روی هم سوار می‌شن! در این بخش پایانی با روش یادگیری جمعی استکینگ (Stacking) آشنا می‌شید. یاد می‌گیرید چطور این روش رو هم با Scikit-learn و هم با کتابخانه mlxtend پیاده‌سازی کنید. بعد از استکینگ برای پیش‌بینی خوراکی یا سمی بودن قارچ‌ها استفاده می‌کنید و این بار با این روش پیشرفته‌تر، دوباره سراغ پیش‌بینی امتیاز اپ‌های گوگل می‌رید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
تشخیص اینکه کدوم‌یک از مدل‌هایی که ساختید برای مسئله‌تون بهترینه، براتون سخته؟ پس از همه‌شون استفاده کنید! در این بخش یاد می‌گیرید چطور با روش‌های «رأی‌گیری» و «میانگین‌گیری»، چند مدل رو با هم ترکیب کنید و یک مدل واحد بسازید.
بگینگ (Bagging) یکی از روش‌های یادگیری جمعیه که پشت الگوریتم‌های قدرتمند یادگیری ماشین مثل جنگل تصادفی (Random Forest) قرار داره. در این بخش با مبانی این تکنیک آشنا می‌شید و با استفاده از Scikit-learn، مدل‌های بگینگ خودتون رو می‌سازید.
بوستینگ (Boosting) طبقه‌ای از الگوریتم‌های یادگیری جمعیه که مدل‌های موفقی مثل AdaBoost رو شامل می‌شه. در این بخش با این مدل آشنا می‌شید و ازش برای پیش‌بینی درآمد فیلم‌های برنده جایزه استفاده می‌کنید! همچنین با الگوریتم‌های گرادیان بوستینگ مثل CatBoost و XGBoost آشنا می‌شید.
یاد بگیرید مدل‌ها چطور روی هم سوار می‌شن! در این بخش پایانی با روش یادگیری جمعی استکینگ (Stacking) آشنا می‌شید. یاد می‌گیرید چطور این روش رو هم با Scikit-learn و هم با کتابخانه mlxtend پیاده‌سازی کنید. بعد از استکینگ برای پیش‌بینی خوراکی یا سمی بودن قارچ‌ها استفاده می‌کنید و این بار با این روش پیشرفته‌تر، دوباره سراغ پیش‌بینی امتیاز اپ‌های گوگل می‌رید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.