آموزش یادگیری ماشین کاربردی: مبانی

معرفی Introduction

• آنچه شما باید بدانید What you should know

• تسلط بر ملزومات یادگیری ماشینی Mastering machine learning essentials

1. مقدمه ای بر یادگیری ماشین 1. Introduction to Machine Learning

• کاربردهای ML Applications of ML

• مروری بر انواع یادگیری ماشینی Overview of types of machine learning

• استفاده از GitHub Codespaces با این دوره Using GitHub Codespaces with this course

• ابزار برای ML Tools for ML

2. EDA 2. EDA

• کاوش مجموعه داده Exploring the dataset

• پیش پردازش داده ها Data preprocessing

• راه حل: طرح EDA Solution: EDA plot

• چالش: طرح EDA Challenge: EDA plot

• خطوط لوله Scikit-Learn Scikit-learn pipelines

3. ایجاد مدل 3. Model Creation

• مدل ساختگی Dummy model

• رگرسیون خطی Linear regression

• چالش: خط لوله تصادفی جنگل Challenge: Random forest pipeline

• درختان تصمیم Decision trees

• CatBoost CatBoost

• راه حل: خط لوله تصادفی جنگل Solution: Random forest pipeline

4. ارزیابی مدل 4. Model Evaluation

• چالش: ارزیابی جنگل تصادفی Challenge: Evaluate random forest

• R2 R2

• ریشه میانگین مربع Root mean squared

• راه حل: جنگل تصادفی را ارزیابی کنید Solution: Evaluate random forest

• قطعه باقیمانده Residual plot

5. تیونینگ مدل 5. Model Tuning

• فراپارامترها و رگرسیون خطی Hyperparameters and linear regression

• تنظیم درختان تصمیم Tuning decision trees

• چالش: تنظیم جنگل تصادفی Challenge: Tuning random forest

• راه حل: تنظیم جنگل تصادفی Solution: Tuning random forest

• تنظیم CatBoost Tuning CatBoost

• جستجوی شبکه ای Grid search

6. استقرار مدل 6. Model Deployment

• راه حل: MLFlow با جنگل تصادفی Solution: MLFlow with random forest

• نوت بوک انتها به انتها End-to-end notebook

• چالش: MLFlow با جنگل تصادفی Challenge: MLFlow with random forest

• با استفاده از MLFlow Using MLFlow

نتیجه Conclusion

• مراحل بعدی Next steps