دوره
مهارت‌های یادگیری ماشین خودتون رو با Scikit-learn در پایتون ارتقا بدید. در این دوره تعاملی از دیتاست‌های دنیای واقعی استفاده کنید و یاد بگیرید چطور پیش‌بینی‌های قدرتمندی انجام بدید!
مهارت‌های یادگیری ماشین خودتون رو با Scikit-learn ارتقا بدید و کشف کنید چطور می‌تونید از این کتابخانه محبوب پایتون برای آموزش مدل‌ها با استفاده از داده‌های برچسب‌دار استفاده کنید. در این دوره، یاد می‌گیرید چطور پیش‌بینی‌های قدرتمندی انجام بدید، مثلاً اینکه آیا مشتری کسب‌وکارتون دچار ریزش می‌شه، آیا یک فرد دیابت داره، و حتی اینکه چطور ژانر یک آهنگ رو طبقه‌بندی کنید. با استفاده از دیتاست‌های دنیای واقعی، متوجه می‌شید چطور مدل‌های پیش‌بینی‌کننده بسازید، پارامترهای اون‌ها رو تنظیم کنید و ارزیابی کنید که روی داده‌های جدید چقدر خوب عمل می‌کنن.
تعمیم‌پذیری مدل رو با استفاده از تقسیم داده به مجموعه آموزش و تست، اعتبارسنجی متقاطع k-fold و تنظیم هایپرپارامترها با GridSearchCV یا RandomizedSearchCV ارزیابی کنید.
معیارهای کلیدی ارزیابی مدل‌های یادگیری نظارت‌شده، از جمله دقت، precision، recall، F1، ROC-AUC، ضریب تعیین، MSE و RMSE رو از هم تشخیص بدید.
پیچیدگی مدل و تاثیر اون روی بیش‌برازش یا کم‌برازش رو با تنظیم پارامترهایی مثل k در KNN و alpha در رگرسیون منظم‌شده ارزیابی کنید.
انواع مسائل یادگیری نظارت شده رو تشخیص بدید و الگوریتم‌های مناسب Scikit-learn رو برای طبقه‌بندی و رگرسیون انتخاب کنید.
تکنیک‌های ضروری پیش‌پردازش، از جمله کدگذاری dummy، جایگذاری مقادیر گمشده، مقیاس‌بندی و ساخت پایپ‌لاین رو که برای جریان‌های کاری Scikit-learn لازمن، تشخیص بدید.
در این بخش، با مسائل طبقه‌بندی آشنا می‌شید و یاد می‌گیرید چطور با استفاده از تکنیک‌های یادگیری نظارت‌شده اون‌ها رو حل کنید. یاد می‌گیرید چطور داده‌ها رو به مجموعه‌های آموزش و تست تقسیم کنید، یک مدل رو برازش کنید، پیش‌بینی انجام بدید و دقت مدل رو ارزیابی کنید. همچنین رابطه بین پیچیدگی مدل و عملکردش رو بررسی می‌کنید و چیزهایی که یاد گرفتید رو روی یک دیتاست ریزش مشتری به کار می‌برید؛ جایی که وضعیت ریزش مشتریان یک شرکت مخابراتی رو طبقه‌بندی می‌کنید.
در این بخش، با رگرسیون آشنا می‌شید و با استفاده از دیتاست هزینه‌های تبلیغاتی، مدل‌هایی برای پیش‌بینی میزان فروش می‌سازید. با نحوه کار رگرسیون خطی و معیارهای رایج ارزیابی عملکرد مثل ضریب تعیین (R-squared) و ریشه میانگین مربعات خطا (RMSE) آشنا می‌شید. همچنین اعتبارسنجی متقابل k بخشی رو انجام می‌دید و از منظم‌سازی در مدل‌های رگرسیون استفاده می‌کنید تا خطر بیش‌برازش رو کاهش بدید.
حالا که مدل‌ها رو آموزش دادید، یاد می‌گیرید چطور عملکردشون رو ارزیابی کنید. در این بخش، با چند معیار مختلف و یک روش مصورسازی برای تحلیل عملکرد مدل‌های طبقه‌بندی با استفاده از Scikit-learn آشنا می‌شید. همچنین یاد می‌گیرید چطور با تنظیم ابرپارامترها، مدل‌های طبقه‌بندی و رگرسیون رو بهینه کنید.
یاد بگیرید چطور مقادیر گمشده رو جایگزین کنید، داده‌های دسته‌ای رو به مقادیر عددی تبدیل کنید، داده‌ها رو مقیاس‌بندی کنید، چند مدل یادگیری نظارت‌شده رو به‌طور هم‌زمان ارزیابی کنید و با ساخت پایپ‌لاین‌ها، جریان کاری‌تون رو ساده‌تر کنید!
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.
مهارت‌های یادگیری ماشین خودتون رو با Scikit-learn ارتقا بدید و کشف کنید چطور می‌تونید از این کتابخانه محبوب پایتون برای آموزش مدل‌ها با استفاده از داده‌های برچسب‌دار استفاده کنید. در این دوره، یاد می‌گیرید چطور پیش‌بینی‌های قدرتمندی انجام بدید، مثلاً اینکه آیا مشتری کسب‌وکارتون دچار ریزش می‌شه، آیا یک فرد دیابت داره، و حتی اینکه چطور ژانر یک آهنگ رو طبقه‌بندی کنید. با استفاده از دیتاست‌های دنیای واقعی، متوجه می‌شید چطور مدل‌های پیش‌بینی‌کننده بسازید، پارامترهای اون‌ها رو تنظیم کنید و ارزیابی کنید که روی داده‌های جدید چقدر خوب عمل می‌کنن.
تعمیم‌پذیری مدل رو با استفاده از تقسیم داده به مجموعه آموزش و تست، اعتبارسنجی متقاطع k-fold و تنظیم هایپرپارامترها با GridSearchCV یا RandomizedSearchCV ارزیابی کنید.
معیارهای کلیدی ارزیابی مدل‌های یادگیری نظارت‌شده، از جمله دقت، precision، recall، F1، ROC-AUC، ضریب تعیین، MSE و RMSE رو از هم تشخیص بدید.
پیچیدگی مدل و تاثیر اون روی بیش‌برازش یا کم‌برازش رو با تنظیم پارامترهایی مثل k در KNN و alpha در رگرسیون منظم‌شده ارزیابی کنید.
انواع مسائل یادگیری نظارت شده رو تشخیص بدید و الگوریتم‌های مناسب Scikit-learn رو برای طبقه‌بندی و رگرسیون انتخاب کنید.
تکنیک‌های ضروری پیش‌پردازش، از جمله کدگذاری dummy، جایگذاری مقادیر گمشده، مقیاس‌بندی و ساخت پایپ‌لاین رو که برای جریان‌های کاری Scikit-learn لازمن، تشخیص بدید.
در این بخش، با مسائل طبقه‌بندی آشنا می‌شید و یاد می‌گیرید چطور با استفاده از تکنیک‌های یادگیری نظارت‌شده اون‌ها رو حل کنید. یاد می‌گیرید چطور داده‌ها رو به مجموعه‌های آموزش و تست تقسیم کنید، یک مدل رو برازش کنید، پیش‌بینی انجام بدید و دقت مدل رو ارزیابی کنید. همچنین رابطه بین پیچیدگی مدل و عملکردش رو بررسی می‌کنید و چیزهایی که یاد گرفتید رو روی یک دیتاست ریزش مشتری به کار می‌برید؛ جایی که وضعیت ریزش مشتریان یک شرکت مخابراتی رو طبقه‌بندی می‌کنید.
در این بخش، با رگرسیون آشنا می‌شید و با استفاده از دیتاست هزینه‌های تبلیغاتی، مدل‌هایی برای پیش‌بینی میزان فروش می‌سازید. با نحوه کار رگرسیون خطی و معیارهای رایج ارزیابی عملکرد مثل ضریب تعیین (R-squared) و ریشه میانگین مربعات خطا (RMSE) آشنا می‌شید. همچنین اعتبارسنجی متقابل k بخشی رو انجام می‌دید و از منظم‌سازی در مدل‌های رگرسیون استفاده می‌کنید تا خطر بیش‌برازش رو کاهش بدید.
حالا که مدل‌ها رو آموزش دادید، یاد می‌گیرید چطور عملکردشون رو ارزیابی کنید. در این بخش، با چند معیار مختلف و یک روش مصورسازی برای تحلیل عملکرد مدل‌های طبقه‌بندی با استفاده از Scikit-learn آشنا می‌شید. همچنین یاد می‌گیرید چطور با تنظیم ابرپارامترها، مدل‌های طبقه‌بندی و رگرسیون رو بهینه کنید.
یاد بگیرید چطور مقادیر گمشده رو جایگزین کنید، داده‌های دسته‌ای رو به مقادیر عددی تبدیل کنید، داده‌ها رو مقیاس‌بندی کنید، چند مدل یادگیری نظارت‌شده رو به‌طور هم‌زمان ارزیابی کنید و با ساخت پایپ‌لاین‌ها، جریان کاری‌تون رو ساده‌تر کنید!
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.