آموزش ساخت، بهینه‌سازی و اعتبارسنجی مدل‌های یادگیری ماشین - آخرین آپدیت

ML: ساخت، آموزش و توجیه مدل‌ها: شناسایی وظیفه مناسب ML برای مسائل تجاری ML: Build, Train, Justify Models: Identify the Right ML Task for a Business Problem

• خوش‌آمدگویی و معرفی Welcome and Introduction

• نحوه تحلیل مشخصات محصول از دیدگاه یادگیری ماشین How to Read a Product Spec Through an ML Lens

• توضیح ساده خانواده‌های وظایف ML ML Task Families Explained Simply

ML: ساخت، آموزش و توجیه مدل‌ها: آموزش مدل‌های متعدد با استفاده از APIهای ML روی داده‌های جدولی ML: Build, Train, Justify Models: Train Multiple Models Using ML APIs on Tabular Data

• آموزش مدل‌ها با استفاده از APIهای یکپارچه Training Models Using Consistent APIs

• دمو: آموزش رگرسیون لجستیک، رندوم فارست و Linear SVM Demo: Train Logistic Regression, Random Forest, and Linear SVM

ML: ساخت، آموزش و توجیه مدل‌ها: توجیه انتخاب مدل با استفاده از توازن بایاس-واریانس ML: Build, Train, Justify Models: Justify Model Selection Using Bias–Variance Trade-Off

• درک توازن بایاس-واریانس Understanding the Bias–Variance Trade-Off

• دمو: مقایسه رندوم فارست در مقابل Gradient Boosting در تقسیم‌بندی‌های مختلف Demo: Compare Random Forest vs. Gradient Boosting Across Splits

بهینه‌سازی مدل‌های ML: تنظیم هایپرپارامترها: درک مقادیر پیش‌فرض، هایپرپارامترها و پیچیدگی الگوریتم Optimize ML Models: Hyperparameter Tuning: Understand Defaults: Hyperparameters and Algorithm Complexity

• خوش‌آمدگویی و معرفی دوره Welcome and Course Introduction

• هایپرپارامترها چیستند؟ درک مقادیر پیش‌فرض در الگوریتم‌ها What Are Hyperparameters? Understanding Defaults Across Algorithms

• پیچیدگی محاسباتی: انتخاب الگوریتم‌های مقیاس‌پذیر Computational Complexity: Choosing Algorithms That Scale

بهینه‌سازی مدل‌های ML: تنظیم هایپرپارامترها: تنظیم سیستماتیک و بهبود مدل‌ها با جستجوی ساختاریافته Optimize ML Models: Hyperparameter Tuning: Tune Systematically: Improve Models with Structured Search

• تنظیم سیستماتیک: Grid Search، Random Search و فراتر از آن Systematic Tuning: Grid Search, Random Search, and Beyond

• راه‌اندازی GridSearchCV برای رندوم فارست‌ها Setting Up GridSearchCV for Random Forests

انتخاب سریع الگوریتم‌های مقرون‌به‌صرفه ML: ارزیابی مصرف منابع برای مدل‌های بهینه از نظر هزینه Choose Cost-Effective ML Algorithms Fast: Evaluating Resource Use for Cost-Effective Models

• خوش‌آمدگویی و ویدیو معرفی دوره Welcome & Course Introduction Video

• تاثیر طراحی الگوریتم بر زمان آموزش و حافظه How Algorithm Design Impacts Training Time and Memory

• نحوه بنچ‌مارک کردن منصفانه و سازگار الگوریتم‌ها How to Benchmark Algorithms Fairly and Consistently

• تمرین عملی بنچ‌مارک: XGBoost در مقابل رندوم فارست Hands-On Benchmarking: XGBoost vs. Random Forest

اعتبارسنجی و تبیین مدل‌های ML: اعتبارسنجی قوی‌تر: استفاده از K-Fold و نمونه‌برداری طبقه‌بندی شده Validate and Explain Your ML Models: Stronger Validation: Using K-Fold and Stratified Sampling

• خوش‌آمدگویی و دلیل اهمیت اعتبارسنجی مدل Welcome and Why Model Validation Matters

• درک اعتبارسنجی متقاطع K-Fold Understanding K-Fold Cross-Validation

• پیاده‌سازی StratifiedKFold در scikit learn Implementing StratifiedKFold in scikit-learn

اعتبارسنجی و تبیین مدل‌های ML: تبیین مدل: اهمیت ویژگی‌ها و متد SHAP Validate and Explain Your ML Models: Explaining Your Model: Feature Importance and SHAP

• چرا قابلیت تبیین مدل اهمیت دارد Why Model Explainability Matters

• اهمیت ویژگی‌ها: نماهای کلی و محلی Feature Importance: Global and Local Views

• تولید نمودارهای خلاصه SHAP Generating SHAP Summary Plots

اتوماتیک کردن خط لوله‌های ML برای حداکثر عملکرد: ساخت، بهینه‌سازی و انتشار خط لوله خودکار ML Automate ML Pipelines for Peak Performance: Build, Optimize, and Publish an Automated ML Pipeline

• چرا اتوماسیون باعث بهبود عملکرد ML می‌شود Why Automation Improves ML Performance

• مبانی خط لوله (Pipeline): مقیاس‌بندی، کدگذاری و ساختار گردش‌کار Pipeline Fundamentals: Scaling, Encoding, and Workflow Structure

• اتوماتیک کردن بهینه‌سازی مدل با GridSearchCV Automating Model Optimization with GridSearchCV