آموزش تکنیک‌های پیشرفته یادگیری ماشین - آخرین آپدیت

یادگیری مجموعه‌ای (Ensemble Learning) Ensemble Learning

• خوش‌آمدگویی به دوره تکنیک‌های پیشرفته یادگیری ماشین Welcome to Advanced Machine Learning Techniques

• چرا درخت‌های تصمیم تکی دچار بیش‌برازش می‌شوند: راهنمای بصری Why Single Decision Trees Can Overfit: A Visual Primer

• چگونه Bagging پیش‌بینی‌ها را پایدار و واریانس را کاهش می‌دهد How Bagging Stabilizes Predictions and Reduces Variance

• جنگل تصادفی برای طبقه‌بندی: بررسی مجموعه داده Iris Random Forest for Classification: Iris Dataset Walkthrough

• جنگل تصادفی برای رگرسیون: پیش‌بینی قیمت خانه Random Forest for Regression: Predicting House Prices

• چرا یادگیرنده‌های ضعیف شکست می‌خورند و Boosting چه چیزی را اصلاح می‌کند Why Weak Learners Fail — And What Boosting Tries to Fix

• نحوه یادگیری Boosting از اشتباهات: مدل به مدل How Boosting Learns from Mistakes — One Model at a Time

• پیاده‌سازی XGBoost و LightGBM برای طبقه‌بندی تقویت‌شده Implementing XGBoost and LightGBM for Boosted Classification

• Stacking چیست؟ یک توضیح بصری ساده What Is Stacking? A Simple Visual Explanation

• نحوه آموزش مدل Stacking (بدون نشت داده‌ها) How to Train a Stacking Model (Without Leaking Data)

• تمرین عملی: تنظیم مدل‌های پایه برای Stacking در Scikit-learn Hands-On: Setting Up Base Models for Stacking in Scikit-learn

• تمرین عملی: آموزش و ارزیابی Ensemble پشته‌ای در پایتون Hands-On: Training and Evaluating a Stacked Ensemble in Python

• مبانی اعتبارسنجی متقاطع: نحوه کار، اهمیت و خطرات تقسیم تک‌مرحله‌ای داده‌ها Cross-Validation Basics: How It Works, Why It Matters, and Why a Single Data Split Can Mislead You

• چگونه اعتبارسنجی متقاطع، مقایسه مدل‌ها را قابل اعتمادتر می‌کند How Cross-Validation Makes Model Comparison More Reliable

• اعتبارسنجی متقاطع با cross_val_score: مقایسه مدل‌های Ensemble Cross-Validation with cross_val_score: Comparing Ensemble Models

• تنظیم هایپرپارامترها با GridSearchCV: بهینه‌سازی XGBoost Hyperparameter Tuning with GridSearchCV: Optimizing XGBoost

کاهش ابعاد (Dimensionality Reduction) Dimensionality Reduction

• چرا کاهش ابعاد باعث بهبود عملکرد مدل‌ها می‌شود Why Reducing Dimensions Makes Your Models Work Better

• پیاده‌سازی گام‌به‌گام PCA در پایتون Implementing PCA Step-by-Step in Python-ASSE

• چگونه PCA ابعاد را کاهش داده و الگوها را بصری می‌کند How PCA Reduces Dimensions and Visualizes Patterns

• چرا PCA همیشه کافی نیست: ورود به t-SNE Why PCA Isn't Always Enough: Enter t-SNE

• تمرین عملی با t-SNE: بصری‌سازی الگوهای پیچیده در فضای دو بعدی Hands-On with t-SNE: Visualizing Complex Patterns in 2D

• چرا UMAP برای بصری‌سازی و مدل‌سازی داده‌های پیچیده یک تحول است Why UMAP Is a Game-Changer for Visualizing and Modeling Complex Data

• بصری‌سازی ارقام با UMAP در پایتون Visualizing Digits with UMAP in Python

• استفاده از ویژگی‌های تبدیل‌شده UMAP برای طبقه‌بندی Using UMAP-Transformed Features for Classification

پردازش زبان طبیعی (NLP) Natural Language Processing (NLP)

• درک پردازش زبان طبیعی: چرا امروز اهمیت دارد Understanding Natural Language Processing: Why It Matters Today

• پاک‌سازی گام‌به‌گام متن خام: از نویز تا توکن‌ها Cleaning Raw Text Step by Step – From Noise to Tokens

• ریشه‌یابی (Stemming) در مقابل لمانایزیشن (Lemmatization): تفاوت چیست؟ Stemming vs. Lemmatization – What's the Difference?

• از متن به کیسه کلمات (Bag of Words): اولین بردارساز متنی شما From Text to Bag-of-Words – Your First Text Vectorizer

• فراتر از شمارش: TF-IDF در عمل Going Beyond Counts – TF-IDF in Action

• استخراج جاسازی توکن‌ها با ترنسفورمرهای Hugging Face Extracting Token Embeddings with Hugging Face Transformers

• جاسازی در سطح جمله و امتیازدهی شباهت Sentence-Level Embeddings and Similarity Scoring

• نحوه عملکرد توکن‌بندی: کلمات، زیرکلمات و ترنسفورمرها How Tokenization Works: Words, Subwords, and Transformers

• دریافت بردارهای کلمه و شباهت توکن‌ها با spaCy Getting Word Vectors and Token Similarity with spaCy

• ایجاد جاسازی جملات با ترنسفورمرهای Hugging Face Creating Sentence Embeddings with Hugging Face Transformers

• بردارسازی TF-IDF برای داده‌های تحلیل احساسات TF-IDF Vectorization for Sentiment Data

• آموزش و ارزیابی یک طبقه‌بند تحلیل احساسات Training and Evaluating a Sentiment Classifier

• تنظیم دقیق BERT برای تحلیل احساسات با Hugging Face Transformers Fine-Tuning BERT for Sentiment Analysis with Hugging Face Transformers

یادگیری تقویت‌شده (Reinforcement Learning) Reinforcement Learning

• چه چیزی یادگیری تقویت‌شده را متفاوت می‌کند What Makes Reinforcement Learning Different

• شروع یادگیری تقویت‌شده: عامل‌ها، اکشن‌ها و پاداش‌ها Getting Started with Reinforcement Learning: Agents, Actions, and Rewards

• شبیه‌سازی حلقه یادگیری تقویت‌شده در پایتون Simulating a Reinforcement Learning Loop in Python

• درک Q-Learning و به‌روزرسانی بلمن Understanding Q-Learning and the Bellman Update

• پیاده‌سازی Q-Learning در محیط GridWorld Implementing Q-Learning in GridWorld

• ساخت شبکه پالیسی و نمونه‌برداری از اکشن‌ها Building a Policy Network and Sampling Actions

• آموزش با الگوریتم REINFORCE Training with the REINFORCE Algorithm

AutoML و بهینه‌سازی مدل AutoML and Model Optimization

• بنچ‌مارک سریع مدل‌ها با LazyPredict Rapid Model Benchmarking with LazyPredict

• نمونه‌سازی خط لوله‌های طبقه‌بندی با PyCaret Prototyping Classification Pipelines with PyCaret

• شروع کار با Auto-sklearn برای انتخاب مدل Getting Started with Auto-sklearn for Model Selection

• مهندسی ویژگی و تحلیل خط لوله با Auto-sklearn Feature Engineering and Pipeline Analysis with Auto-sklearn

• تنظیم هایپرپارامترها با GridSearchCV Hyperparameter Tuning with GridSearchCV

• تنظیم بهینه هایپرپارامترها با RandomizedSearchCV Efficient Hyperparameter Tuning with RandomizedSearchCV

• بهینه‌سازی بیزی چیست و چگونه کار می‌کند؟ What Is Bayesian Optimization and How Does It Work?

• تمرین عملی: تنظیم هایپرپارامترها با Optuna Hands-On: Hyperparameter Tuning with Optuna

• ردیابی آزمایش‌های ML با MLflow Tracking ML Experiments with MLflow

• ثبت و مدیریت مدل‌ها با MLflow Registering and Managing Models with MLflow