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

شروع کنید: آشنایی و ارزیابی مهارت‌ها Start Here: Get Oriented and Check Your Skills

وظیفه شغلی ۱: برنامه‌ریزی و انتخاب رویکرد یادگیری ماشین Job Task 1: Plan and Select Your ML Approach

• چه چیزی باعث موفقیت یک پروژه یادگیری ماشین در دنیای واقعی می‌شود؟ What Makes a Real-World ML Project Successful?

• انتخاب مدل مناسب فقط به دقت (Accuracy) بستگی ندارد Choosing the Right Model Isn't Just About Accuracy

• ایجاد خط مبنا - بخش اول: آموزش مدل‌های ساده Establishing a Baseline – Part 1: Training Simple Models

• ایجاد خط مبنا - بخش دوم: ارزیابی و انتخاب مدل Establishing a Baseline – Part 2: Evaluation and Model Selection

وظیفه شغلی ۲: ساخت مدل‌های خطی و ماشین بردار پشتیبان (SVM) Job Task 2: Build Linear Models and SVMs

• رگرسیون در عمل: پیش‌بینی فروش بر اساس تبلیغات Regression in Action: Predicting Sales From Advertising

• درک رگرسیون از طریق یک مثال واقعی Understanding Regression Through a Real-World Example

• ساخت اسکریپت و ارزیابی یک مدل رگرسیون خطی ساده Script-Building and Evaluating a Simple Linear Regression Model

• شروع کار با رگرسیون لجستیک برای طبقه‌بندی باینری Getting Started with Logistic Regression for Binary Classification

• ارزیابی مدل‌های طبقه‌بندی باینری با رگرسیون لجستیک Evaluating Binary Classification Models with Logistic Regression

• استفاده از SVM برای تشخیص ارقام دست‌نویس Using SVMs to Recognize Handwritten Digits

• نحوه تصمیم‌گیری SVMها: حاشیه‌ها و بردارهای پشتیبان How SVMs Make Decisions: Margins and Support Vectors

• استفاده از کرنل RBF برای بهبود طبقه‌بندی Using the RBF Kernel to Improve Classification

وظیفه شغلی ۳: ساخت مدل‌های مبتنی بر درخت و مدل‌های ترکیبی (Ensemble) Job Task 3: Build Tree-Based and Ensemble Models

• چرا تک‌درخت‌های تصمیم‌گیرنده دچار بیش‌برازش (Overfit) می‌شوند: مقدمه‌ای بصری Why Single Decision Trees Can Overfit: A Visual Primer

• جنگل تصادفی برای طبقه‌بندی: بررسی مجموعه داده Iris Random Forest for Classification: Iris Dataset Walkthrough

• جنگل تصادفی برای رگرسیون: پیش‌بینی قیمت خانه Random Forest for Regression: Predicting House Prices

• پیاده‌سازی XGBoost و LightGBM برای طبقه‌بندی تقویت‌شده Implementing XGBoost and LightGBM for Boosted Classification

• تنظیم هایپرپارامترها با GridSearchCV: بهینه‌سازی XGBoost Hyperparameter Tuning with GridSearchCV: Optimizing XGBoost

• چگونه Bagging پیش‌بینی‌ها را پایدار کرده و واریانس را کاهش می‌دهد How Bagging Stabilizes Predictions and Reduces Variance

• چگونه Boosting از اشتباهات می‌آموزد - مدل به مدل How Boosting Learns from Mistakes — One Model at a Time

• پیاده‌سازی XGBoost و LightGBM برای طبقه‌بندی تقویت‌شده Implementing XGBoost and LightGBM for Boosted Classification

• استکینگ (Stacking) چیست؟ یک توضیح بصری ساده What Is Stacking? A Simple Visual Explanation

• نحوه آموزش یک مدل استکینگ (بدون نشت داده‌ها) How to Train a Stacking Model (Without Leaking Data)

جمع‌بندی: بررسی دستاوردهای مهارتی و انتخاب مسیر بعدی Wrap Up: Review Your Skill Achievement and Choose Your Next Path