آموزش پایتون: کار با تحلیل‌های پیش‌بینانه (Predictive Analytics) - آخرین آپدیت

مقدمه Introduction

• تور کاربردی CoderPad CoderPad tour

• نحوه استفاده از Codespaces و فایل‌های تمرینی How to use Codespaces and the exercise files

• پیش‌بینی داده‌ها در پایتون Predict data in Python

• پیش‌نیازها و نقشه راه دوره What you should know and course road map

1. پیش‌پردازش داده‌ها 1. Data Preprocessing

• راه حل: مقیاس‌بندی ویژگی‌ها Solution: Feature scaling

• کتابخانه‌های پایتون و وارد کردن داده‌ها Python libraries and data import

• تبدیل داده‌های دسته‌ای به اعداد Convert categorical data into numbers

• راه حل: مدیریت مقادیر گم‌شده Solution: Handling missing values

• تمایز انواع داده‌ها Differentiate data types

• تقسیم داده‌ها به مجموعه‌های تست و آموزش Divide the data into test and train

• مقیاس‌بندی ویژگی‌ها (Feature Scaling) Feature scaling

• مدیریت مقادیر گم‌شده Handling missing values

2. مدل‌های پیش‌بینانه 2. Predictive Models

• راه حل: رگرسیون چندجمله‌ای Solution: Polynomial regression

• آشنایی با مدل‌های پیش‌بینانه Introduction to predictive models

• بهینه‌سازی هایپرپارامترها Hyperparameter optimization

• راه حل: رگرسیون جنگل تصادفی Solution: Random forest regression

• راه حل: بهینه‌سازی هایپرپارامترها Solution: Hyperparameter optimization

• رگرسیون خطی Linear regression

• رگرسیون بردار پشتیبان (SVR) Support Vector Regression (SVR)

• رگرسیون چندجمله‌ای Polynomial regression

• ارزیابی مدل‌های پیش‌بینانه Evaluation of predictive models

• رگرسیون درخت تصمیم Decision tree regression

• رگرسیون جنگل تصادفی Random forest regression

جمع‌بندی Conclusion

• گام‌های بعدی در پایتون و تحلیل‌های پیش‌بینانه Next steps in Python and predictive analytics