loading...

دوره تقویت مهارت‌های اولیه یادگیری ماشین

<ul> <li>آموزش پروژه&zwnj;محور توسط مدرس معتبر و آکادمی لینکدین با زیرنویس فارسی و روان</li> <li>پوشش جامع روش&zwnj;های Ensemble Learning</li> <li>پیاده&zwnj;سازی عملی با scikit-learn و XGBoost</li> <li>استفاده از GitHub Codespaces برای تمرین&zwnj;های ابری</li> <li>مناسب برای سطح متوسط و علاقه&zwnj;مندان به پیشرفت در ML</li> </ul>

قیمت: 199,000 تومان 99,500 تومان

قیمت ارزی (تتر):

X
01 : 28 : 23
26 جلسه
7 فصل
2 سال پشتیبانی

دوره تقویت مهارت‌های اولیه یادگیری ماشین

دوره Applied Machine Learning: Ensemble Learning برای علاقه‌مندان به تقویت مهارت‌های یادگیری ماشین طراحی شده و به شما کمک می‌کند بدون نیاز به پیش‌زمینه علمی رسمی، مفاهیم قدرتمند یادگیری جمعی را بیاموزید.

با تدریس Matt Harrison، در این دوره با روش‌هایی مانند بگینگ (Bagging)، رندوم فارست (Random Forest)، بوستینگ (Boosting)، گرادیان بوستینگ (Gradient Boosting)، XGBoost و استکینگ (Stacking) آشنا می‌شوید.
تمامی این مفاهیم با مثال‌های عملی و استفاده از ابزارهای محبوب پایتون مانند scikit-learn و XGBoost پیاده‌سازی می‌شود.

یک ویژگی منحصربه‌فرد دوره، استفاده از GitHub Codespaces است که به شما اجازه می‌دهد بدون نیاز به نصب نرم‌افزار روی سیستم، تمرین‌ها را در محیط ابری اجرا کنید.

💡 آنچه در این دوره می‌آموزید

✅ مفاهیم یادگیری جمعی و مقابله با اورفیتینگ
✅ اجرای عملی بگینگ، رندوم فارست و تنظیم پارامترها
✅ یادگیری بوستینگ، AdaBoost و گرادیان بوستینگ
✅ پیاده‌سازی XGBoost و تنظیم هایپرپارامترها
✅ درک استکینگ و استفاده از StackingClassifier
✅ حل چالش‌های عملی برای تسلط واقعی بر مفاهیم

👥 این دوره مناسب چه کسانی است؟

  • علاقه‌مندان به ورود یا پیشرفت در یادگیری ماشین
  • متخصصانی که می‌خواهند تکنیک‌های پیشرفته‌تر را یاد بگیرند
  • کسانی که بدون پیش‌زمینه رسمی در علم داده می‌خواهند مهارت کسب کنند
  • افرادی که می‌خواهند با ابزارهای عملی پایتون مثل scikit-learn و XGBoost کار کنند
  • کسانی که قصد دارند مدل‌های خود را برای وظایف واقعی بهینه‌سازی کنند

سرفصل های دوره

Introduction
  • Ensemble learning Boost your models' performance

    منتشرشده 00:00:57
  • How to use Codespaces

    منتشرشده 00:02:56
  • Introduction to Ensemble Learning
  • Definition of ensemble learning and the problem of overfitting

    منتشرشده 00:05:29
  • Real-world relevance

    منتشرشده 00:03:22
  • Types of ensembles

    منتشرشده 00:04:33
  • Bagging and Random Forests
  • Concept of bagging

    منتشرشده 00:08:06
  • Random forest example

    منتشرشده 00:09:11
  • Parameter tuning for Random Forest

    منتشرشده 00:05:30
  • Challenge Tune Random Forest parameters

    منتشرشده 00:00:19
  • Solution Tune Random Forest parameters

    منتشرشده 00:05:28
  • Boosting and Gradient Boosting
  • Concept of boosting

    منتشرشده 00:03:46
  • AdaBoost and gradient boosting

    منتشرشده 00:05:46
  • Hyperparameter tuning for boosting

    منتشرشده 00:05:50
  • Challenge tune AdaBoost model

    منتشرشده 00:00:20
  • Solution tune AdaBoost model

    منتشرشده 00:05:22
  • XGBoost
  • Why XGBoost

    منتشرشده 00:02:33
  • Hands-on coding with XGBoost

    منتشرشده 00:03:50
  • Hyperparameter tuning for XGBoost

    منتشرشده 00:03:41
  • Challenge Tune XGBoost model

    منتشرشده 00:00:14
  • Solution Tune XGBoost model

    منتشرشده 00:02:59
  • Stacking
  • Concept of stacking

    منتشرشده 00:01:51
  • Hands-on coding with StackingClassifier

    منتشرشده 00:01:17
  • Evaluation of stacking vs individual models

    منتشرشده 00:00:46
  • Challenge Create a stacked model

    منتشرشده 00:00:30
  • Solution Create a stacked model

    منتشرشده 00:03:03
  • Conclusion
  • Next steps

    منتشرشده 00:00:44
  • پیشنیاز های دوره چه چیزهایی هستند؟

    • ندارد

    نظرات دانشجویان

    مدرس دوره

    کدیاد پلاس (Codeyad Plus)