آموزش تسلط بر یادگیری ماشین داده‌های جدولی: از مهندسی ویژگی تا محیط عملیاتی - آخرین آپدیت

مبانی داده‌های جدولی و آماده‌سازی داده‌ها Tabular Data Fundamentals & Data Preparation

• چشم‌انداز داده‌های جدولی - چرا درخت‌ها هنوز برنده هستند The Tabular Data Landscape — Why Trees Still Win

• معرفی پروژه - قیمت‌گذاری پویای تاکسی اینترنتی Meet the Project — Ride-Hailing Dynamic Pricing

• راه‌اندازی محیط و بارگذاری داده‌ها Environment Setup & Data Loading

• تحلیل ویژگی‌های عددی Numerical Feature Analysis

• تحلیل ویژگی‌های دسته‌ای و زمانی Categorical & Temporal Feature Analysis

• تحلیل داده‌های جغرافیایی و متغیر هدف Geospatial & Target Analysis

• مدیریت مقادیر گم‌شده و انواع داده‌ها Handling Missing Values & Data Types

• شناسایی و مدیریت داده‌های پرت (Outliers) Outlier Detection & Treatment

• استراتژی اعتبارسنجی - جلوگیری از نشت داده‌ها Validation Strategy — Preventing Data Leakage

مهندسی ویژگی (Feature Engineering) Feature Engineering

• تبدیلات عددی و دسته‌بندی (Binning) Numerical Transformations & Binning

• استخراج ویژگی‌های تاریخ و زمان Datetime Feature Extraction

• ویژگی‌های غلتان (Rolling) و تجمیعی Rolling & Aggregation Features

• کدگذاری متغیرهای دسته‌ای با تعداد مقادیر کم Encoding Low-Cardinality Categoricals

• کدگذاری متغیرهای دسته‌ای با تعداد مقادیر زیاد High-Cardinality Categorical Encoding

• مهندسی ویژگی‌های جغرافیایی Geospatial Feature Engineering

• ویژگی‌های تعاملی و متقاطع (Cross Features) Interaction & Cross Features

• مهندسی ویژگی خودکار با Featuretools Automated Feature Engineering with Featuretools

• ساخت خط لوله (Pipeline) کامل ویژگی‌ها Building the Complete Feature Pipeline

ماشین‌های تقویت گرادیان (GBM) Gradient Boosting Machines

• نحوه عملکرد تقویت گرادیان - شهود و ریاضیات How Gradient Boosting Works — Intuition & Math

• درخت‌های تصمیم برای Boosting Decision Trees for Boosting

• پیاده‌سازی Baseline تقویت گرادیان روی داده‌های سفر Baseline Gradient Boosting on Trip Data

• ساختار داخلی XGBoost - چه چیزی آن را خاص می‌کند XGBoost Internals — What Makes It Special

• آموزش XGBoost برای پیش‌بینی کرایه Training XGBoost for Fare Prediction

• ویژگی‌های پیشرفته XGBoost XGBoost Advanced Features

• ساختار داخلی LightGBM - سرعت و کارایی LightGBM Internals — Speed & Efficiency

• آموزش LightGBM برای پیش‌بینی کرایه و افزایش قیمت Training LightGBM for Fare & Surge Prediction

• مقایسه مستقیم XGBoost در مقابل LightGBM XGBoost vs. LightGBM — Head-to-Head Comparison

تنظیم و ارزیابی مدل Model Tuning & Evaluation

• استفاده از Optuna برای جستجوی هوشمند هایپرپارامترها Optuna for Intelligent Hyperparameter Search

• استراتژی‌های منظم‌سازی (Regularization) برای مدل‌های جدولی Regularization Strategies for Tabular Models

• مدل CatBoost - رقیب سوم CatBoost — The Third Contender

• استراتژی‌های انتخاب ویژگی Feature Selection Strategies

• استفاده از SHAP برای تفسیرپذیری مدل SHAP for Model Interpretability

• انسمبل‌های Stacking و Blending Stacking & Blending Ensembles

• بسته‌بندی خط لوله قیمت‌گذاری Packaging the Pricing Pipeline

• ساخت نقطه اتصال قیمت‌گذاری با FastAPI Building the FastAPI Pricing Endpoint

• استراتژی‌های مسابقات Kaggle و گام‌های بعدی Kaggle Competition Strategies & Next Steps