آموزش مبانی یادگیری ماشین و ارزیابی مدل - آخرین آپدیت

هفته ۵: آشنایی با یادگیری ماشین Week 5: Introduction to Machine Learning

• مقدمه‌ای بر هفته ۵: آشنایی با یادگیری ماشین Introduction to Week 5 Introduction to Machine Learning

• روز ۱: مبانی و اصطلاحات یادگیری ماشین Day 1: Machine Learning Basics and Terminology

• روز ۲: آشنایی با یادگیری نظارت شده و مدل‌های رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

• روز ۳: مدل‌های رگرسیون پیشرفته – رگرسیون چندجمله‌ای و منظم‌سازی Day 3: Advanced Regression Models – Polynomial Regression and Regularization

• روز ۴: آشنایی با طبقه‌بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

• روز ۵: ارزیابی مدل و اعتبارسنجی متقاطع Day 5: Model Evaluation and Cross-Validation

• روز ۶: الگوریتم k-نزدیک‌ترین همسایه (k-NN) Day 6: k-Nearest Neighbors (k-NN) Algorithm

• روز ۷: مینی پروژه یادگیری نظارت شده Day 7: Supervised Learning Mini Project

هفته ۶: مهندسی ویژگی‌ها و ارزیابی مدل Week 6: Feature Engineering and Model Evaluation

• مقدمه‌ای بر هفته ۶: مهندسی ویژگی‌ها و ارزیابی مدل Introduction to Week 6 Feature Engineering and Model Evaluation

• روز ۱: آشنایی با مهندسی ویژگی‌ها Day 1: Introduction to Feature Engineering

• روز ۲: مقیاس‌بندی و نرمال‌سازی داده‌ها Day 2: Data Scaling and Normalization

• روز ۳: کدگذاری متغیرهای دسته‌ای Day 3: Encoding Categorical Variables

• روز ۴: تکنیک‌های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز ۵: ایجاد و تبدیل ویژگی‌ها Day 5: Creating and Transforming Features

• روز ۶: تکنیک‌های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز ۷: اعتبارسنجی متقاطع و تنظیم هایپرپارامترها Day 7: Cross-Validation and Hyperparameter Tuning

هفته ۷: الگوریتم‌های پیشرفته یادگیری ماشین Week 7: Advanced Machine Learning Algorithms

• مقدمه‌ای بر هفته ۷: الگوریتم‌های پیشرفته یادگیری ماشین Introduction to Week 7 Advanced Machine Learning Algorithms

• روز ۱: آشنایی با یادگیری مجموعه‌ای (Ensemble Learning) Day 1: Introduction to Ensemble Learning

• روز ۲: بگینگ و جنگل‌های تصادفی Day 2: Bagging and Random Forests

• روز ۳: بوستینگ و گرادینت بوستینگ Day 3: Boosting and Gradient Boosting

• روز ۴: آشنایی با XGBoost Day 4: Introduction to XGBoost

• روز ۵: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ۶: مدیریت داده‌های نامتوازن Day 6: Handling Imbalanced Data

• روز ۷: پروژه یادگیری مجموعه‌ای – مقایسه مدل‌ها روی یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

هفته ۸: تنظیم و بهینه‌سازی مدل Week 8: Model Tuning and Optimization

• مقدمه‌ای بر هفته ۸: تنظیم و بهینه‌سازی مدل Introduction to Week 8 Model Tuning and Optimization

• روز ۱: آشنایی با تنظیم هایپرپارامترها Day 1: Introduction to Hyperparameter Tuning

• روز ۲: جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز ۳: تنظیم پیشرفته هایپرپارامترها با بهینه‌سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز ۴: تکنیک‌های منظم‌سازی برای بهینه‌سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز ۵: تکنیک‌های اعتبارسنجی متقاطع و ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

• روز ۶: تنظیم خودکار هایپرپارامترها با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

• روز ۷: پروژه بهینه‌سازی – ساخت و تنظیم مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model