لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش انتخاب مدل مناسب یادگیری ماشین (ML)
- آخرین آپدیت
دانلود Learn to Choose the Right ML Model
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
دوره «انتخاب مدل مناسب یادگیری ماشین» یک دوره سطح متوسط برای دانشمندان داده، مهندسان ML و توسعهدهندگانی است که به دنبال اتخاذ تصمیماتی مستدل در انتخاب مدل هستند، نه صرفاً آزمایش و امید به بهترین نتیجه. با تبدیل شدن یادگیری ماشین به موتور محرک سیستمهای حیاتی کسبوکار، موفقیت در گرو عبور از شهود و اتوماسیون فرآیندهای انتخاب و استقرارِ مستحکم، عادلانه و معیار-محور است. در این دوره، شما دستهبندی ساختاریافته مسائل را تمرین میکنید، خانوادههای اصلی الگوریتمها را با هم مقایسه میکنید و معیارهای دنیای واقعی را برای انتخاب و نظارت بر مدلهایی که در محیط عملیاتی کار میکنند، به کار میگیرید. یادگیری شما از طریق بررسی مطالعات موردی (مانند Zillow، Apple Card و Google Flu Trends)، آزمایشگاههای عملی با پایتون و scikit-learn و کوچینگهای سناریومحور صورت میگیرد. در پایان، شما قادر خواهید بود مسائل ML را قالببندی کنید، مدلها را انتخاب و توجیه نمایید، بررسیهای عدالت و رانش داده (Drift) را خودکار کنید و خط لولههایی (Pipelines) را مستقر کنید که قابل اعتماد باشند تا راهکارهای شما نه تنها روی کاغذ، بلکه در محیط تولید (Production) موفق شوند.
سرفصل ها و درس ها
درس اول: طبقهبندی مسائل یادگیری ماشین و ویژگیهای داده
Lesson 1: Classify ML Problems & Data Characteristics
مقدمه و خوشآمدگویی
Introduction and Welcome
چرا تعیین نوع مسئله اهمیت دارد - تغییر در دیدگاه
Why Problem Typing Matters — A Shift in Perspective
مطالعه موردی Zillow: وقتی قالببندی اشتباه است
Zillow Offers: When Framing Goes Wrong
درس دوم: مقایسه خانوادههای مدل و میزان مناسب بودن
Lesson 2: Compare Model Families & Suitability
چرا خانواده مدلی که انتخاب میکنید همه چیز را تغییر میدهد
Why the Model Family You Choose Changes Everything
انتخاب خانواده مدل مناسب - بدون تقویت سوگیری
Choosing the Right Model Family—Without Reinforcing Bias
درس سوم: ارزیابی و انتخاب با گردشکارهای معیار-محور
Lesson 3: Evaluate & Select with Metrics-Driven Workflows
چرا معیارها باید در ساخت هر مدل وجود داشته باشند
Why Metrics Belong in Every Model Build
چگونه گیتهای خودکار معیارها از خط لوله شما محافظت میکنند
How Automated Metric Gates Protect Your Pipeline
وقتی عدالت شکست میخورد: درسهایی از جنجال Apple Card
When Fairness Fails: Lessons from the Apple Card Controversy
تبریکات و مسیر یادگیری مستمر
Congratulations and Continuous Learning Journey
نمایش نظرات