آموزش یادگیری ماشین کاربردی: یادگیری مجموعه‌ای (Ensemble Learning) - آخرین آپدیت

مقدمه Introduction

• نحوه استفاده از Codespaces How to use Codespaces

• یادگیری مجموعه‌ای: ارتقای عملکرد مدل‌های شما Ensemble learning: Boost your models' performance

1. آشنایی با یادگیری مجموعه‌ای 1. Introduction to Ensemble Learning

• تعریف یادگیری مجموعه‌ای و مسئله بیش‌برازش (Overfitting) Definition of ensemble learning and the problem of overfitting

• انواع متدهای مجموعه‌ای Types of ensembles

• کاربردهای دنیای واقعی Real-world relevance

2. بگینگ و جنگل‌های تصادفی 2. Bagging and Random Forests

• چالش: تنظیم پارامترهای جنگل تصادفی Challenge: Tune Random Forest parameters

• راه حل: تنظیم پارامترهای جنگل تصادفی Solution: Tune Random Forest parameters

• تنظیم پارامترها برای Random Forest Parameter tuning for Random Forest

• مفهوم بگینگ (Bagging) Concept of bagging

• مثال عملی جنگل تصادفی Random forest example

3. بوستینگ و گرادینت بوستینگ 3. Boosting and Gradient Boosting

• راه حل: تنظیم مدل AdaBoost Solution: tune AdaBoost model

• مفهوم بوستینگ (Boosting) Concept of boosting

• مدل AdaBoost و گرادینت بوستینگ AdaBoost and gradient boosting

• تنظیم هایپرپارامترها برای بوستینگ Hyperparameter tuning for boosting

• چالش: تنظیم مدل AdaBoost Challenge: tune AdaBoost model

4. کتابخانه XGBoost 4. XGBoost

• چرا XGBoost؟ Why XGBoost?

• راه حل: تنظیم مدل XGBoost Solution: Tune XGBoost model

• کدنویسی عملی با XGBoost Hands-on coding with XGBoost

• تنظیم هایپرپارامترها برای XGBoost Hyperparameter tuning for XGBoost

• چالش: تنظیم مدل XGBoost Challenge: Tune XGBoost model

5. استکینگ 5. Stacking

• کدنویسی عملی با StackingClassifier Hands-on coding with StackingClassifier

• چالش: ایجاد یک مدل استک شده Challenge: Create a stacked model

• راه حل: ایجاد یک مدل استک شده Solution: Create a stacked model

• مفهوم استکینگ (Stacking) Concept of stacking

• ارزیابی استکینگ در مقابل مدل‌های تک‌عاملی Evaluation of stacking vs individual models

جمع‌بندی Conclusion

• گام‌های بعدی Next steps