آموزش ساخت راهکار یادگیری ماشین (Machine Learning) - آخرین آپدیت

تعریف مسئله و جمع‌آوری داده‌ها Problem Definition & Data Collection

• چه چیزی یک پروژه یادگیری ماشین در دنیای واقعی را موفق می‌کند؟ What Makes a Real-World ML Project Successful?

• پیش‌پردازش داده‌های واقعی برای یادگیری ماشین Preprocessing Real-World Data for Machine Learning

تحلیل اکتشافی داده‌ها (EDA) و مهندسی ویژگی Exploratory Data Analysis (EDA) & Feature Engineering

• بصری‌سازی و تشخیص وضعیت داده‌ها با EDA Visualizing and Diagnosing Data with EDA

• تبدیل، کاهش و انتخاب: مهندسی پیشرفته ویژگی‌ها Transform, Reduce, Select: Advanced Feature Engineering

انتخاب و پیاده‌سازی مدل Model Selection & Implementation

• انتخاب مدل مناسب فقط به دقت (Accuracy) بستگی ندارد Choosing the Right Model Isn't Just About Accuracy

• تعیین خط مبنا (Baseline) - بخش اول: آموزش مدل‌های ساده Establishing a Baseline – Part 1: Training Simple Models

• تعیین خط مبنا (Baseline) - بخش دوم: ارزیابی و انتخاب مدل Establishing a Baseline – Part 2: Evaluation and Model Selection

• بهبود عملکرد با XGBoost و LightGBM Boosting Performance with XGBoost and LightGBM

• یادگیری عمیق برای بینایی و متن: CNNها و ترنسفورمرها در عمل Deep Learning for Vision and Text: CNNs and Transformers in Action

• هوش مصنوعی مولد در عمل: از نویز تا تصویر با مدل‌های Diffusion Generative AI in Action: From Noise to Images with Diffusion Models

• مقایسه Bagging در مقابل Boosting: جنگل تصادفی در برابر XGBoost Bagging vs. Boosting: Comparing Random Forest and XGBoost

• تکنیک Stacking برای پیش‌بینی‌های هوشمند: ترکیب مدل‌ها برای نتایج بهتر Stacking for Smart Predictions: Combining Models for Better Results

ارزیابی مدل و تفسیرپذیری Model Evaluation & Interpretability

• معیارهای طبقه‌بندی و رگرسیون در عمل Classification & Regression Metrics in Action

• ارزیابی مدل‌های مولد: از متن تا تصویر Evaluating Generative Models: From Text to Images

• توضیح پیش‌بینی‌ها: اهمیت ویژگی‌ها با SHAP و Permutation Explaining Predictions: Feature Importance with SHAP and Permutation

• توضیح پیش‌بینی‌های فردی: LIME و مکانیزم Attention در ترنسفورمرها Explaining Individual Predictions: LIME and Attention in Transformers

استقرار و مانیتورینگ Deployment & Monitoring

• چرا استقرار و مانیتورینگ مدل بیش از آنچه فکر می‌کنید اهمیت دارد Why Model Deployment and Monitoring Matter More Than You Think

• استنباط دسته‌ای (Batch) در مقابل بلادرنگ (Real-time): یادگیری ماشین در عمل Batch vs. Real-Time Inference: ML in Action

• از نوت‌بوک تا اپلیکیشن: APIها، نسخه‌بندی و ابزارهای استقرار From Notebook to App: APIs, Versioning, and Deployment Tools

• تشخیص Drift و برنامه‌ریزی برای بازآموزی: به‌روز نگه داشتن مدل Detecting Drift and Planning Retraining: Keeping Your Model Relevant

• تبریک برای اتمام گواهینامه حرفه‌ای یادگیری ماشین! Congratulations on Completing Your Machine Learning Professional Certificate!