آموزش بهینه‌سازی مدل‌های یادگیری ماشین: تنظیم هایپرپارامترها - آخرین آپدیت

دانلود Optimize ML Models: Hyperparameter Tuning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره بهینه‌سازی مدل‌های یادگیری ماشین (Hyperparameter Tuning) مهارت‌های عملی لازم برای تبدیل مدل‌های «معمولی» به مدل‌هایی که در مقیاس بالا عملکردی قابل اعتماد دارند را به شما می‌آموزد. در این دوره خواهید آموخت که چگونه هایپرپارامترهای پیش‌فرض بر رفتار مدل تأثیر می‌گذارند، پیچیدگی محاسباتی چگونه بر هزینه آموزش اثر می‌گذارد و چرا روش‌های ساختاریافته تنظیم پارامترها بسیار بهتر از حدس و گمان عمل می‌کنند. از طریق ویدیوهای کوتاه، تمرینات عملی و یک پروژه هدایت‌شده با GridSearchCV، شما یک جریان کاری کامل برای انتخاب، ارزیابی و تحلیل پیکربندی‌های بهینه مدل خواهید ساخت. در پایان این دوره، شما قادر خواهید بود فضاهای جستجوی مؤثر را طراحی کنید، آزمایش‌های تنظیم سیستماتیک را اجرا نمایید، نتایج اعتبارسنجی متقاطع (Cross-Validation) را تفسیر کنید و پارامترهای بهینه را برای خط لوله‌های واقعی ML ذخیره کنید؛ تمامی این‌ها مهارت‌های ضروری برای نقش‌های مدرن در زمینه یادگیری ماشین و هوش مصنوعی هستند.

سرفصل ها و درس ها

بهینه‌سازی مدل‌های یادگیری ماشین: تنظیم هایپرپارامترها Optimize ML Models: Hyperparameter Tuning

خوش‌آمدگویی و معرفی دوره Welcome and Course Introduction
هایپرپارامترها چیستند؟ درک مقادیر پیش‌فرض در الگوریتم‌ها What Are Hyperparameters? Understanding Defaults Across Algorithms
پیچیدگی محاسباتی: انتخاب الگوریتم‌های مقیاس‌پذیر Computational Complexity: Choosing Algorithms That Scale
تنظیم سیستماتیک: جستجوی شبکه‌ای (Grid Search)، جستجوی تصادفی و فراتر از آن Systematic Tuning: Grid Search, Random Search, and Beyond
راه‌اندازی GridSearchCV برای جنگل‌های تصادفی (Random Forests) Setting Up GridSearchCV for Random Forests
تبریک و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey