آموزش یادگیری ماشین کاربردی: یادگیری نظارت شده (Supervised Learning) - آخرین آپدیت

مقدمه Introduction

• پیش‌نیازهای لازم What you should know

• نحوه استفاده از Codespaces How to use Codespaces

• نگاهی به یادگیری نظارت شده A look at supervised learning

1. آشنایی با یادگیری نظارت شده 1. Introduction to Supervised Learning

• معیارهای ارزیابی برای طبقه‌بندی و رگرسیون Metrics for classification and regression

• داده‌ها: ویژگی‌ها، برچسب‌ها و مجموعه‌های آموزشی Data: Features, labels, training sets

• یادگیری نظارت شده چیست؟ What is supervised learning?

2. رگرسیون خطی 2. Linear Regression

• چالش: ارزیابی رگرسیون خطی Challenge: Evaluate linear regression

• رگرسیون خطی چیست؟ What is linear regression?

• پیاده‌سازی رگرسیون خطی در پایتون Implementing linear regression in Python

• راهکار: ارزیابی رگرسیون خطی Solution: Evaluate linear regression

• تحلیل و ارزیابی رگرسیون خطی Evaluating linear regression

3. الگوریتم‌های طبقه‌بندی 3. Classification Algorithms

• چالش: ساخت مدل طبقه‌بندی Challenge: A classification model

• درخت‌های تصمیم Decision trees

• طبقه‌بندی (Classification) چیست؟ What is classification?

• الگوریتم K-نزدیک‌ترین همسایه (KNN) K-nearest neighbors

• رگرسیون لجستیک Logistic regression

• راهکار: ساخت مدل طبقه‌بندی Solution: A classification model

4. بیش‌برازش و کم‌برازش (Overfitting & Underfitting) 4. Overfitting and Underfitting

• چالش: مدل گلدیلاکس Challenge: Goldilocks model

• Decision Stumps (کانه تصمیم) Decision stumps

• درک مفاهیم بیش‌برازش و کم‌برازش Understanding overfitting and underfitting

• اعتبارسنجی متقاطع و مدل گلدیلاکس Cross-validation and Goldilocks

• بررسی Overfitting Overfitting

• راهکار: مدل گلدیلاکس Solution: Goldilocks model

5. تکنیک‌های تکمیلی 5. Additional Techniques

• روش‌های Ensemble: Bagging و Boosting Ensembles: Bagging and boosting

• راهکار: مدل XGBoost Solution: XGBoost model

• تنظیم هایپرپارامترها Tuning hyperparameters

• توضیح مدل‌های ساده Explaining simple models

• چالش: مدل XGBoost Challenge: XGBoost model

• معرفی SHAP (توضیحات افزودنی شپلی) SHAP (SHapley Additive exPlanations)

6. استقرار مدل 6. Deployment

• استقرار مدل با استفاده از Flask Deploying with Flask

• ارسال کوئری به مدل Querying the model

• راهکار: استقرار مدل Solution: Deployment

• چالش: استقرار مدل Challenge: Deployment

جمع‌بندی Conclusion

• گام‌های بعدی در مسیر یادگیری ماشین Next steps in your machine learning journey