از داده خام تا مدلی که بتوانید ارزیابی، تفسیر و از آن دفاع کنید
فرایند کامل حل مسئله دادهمحور را یاد بگیرید: کیفیت و آمادهسازی داده، ساخت Pipeline، انتخاب و ارزیابی مدلهای پیشبینانه، کشف الگوهای پنهان و تبدیل نتیجه به یک تحلیل قابلارائه.
فراتر از فراخوانی الگوریتم
مدل خوب از داده و ارزیابی درست شروع میشود
فراخوانی یک تابع در Scikit-learn ساده است؛ بخش حرفهای کار، شناخت مسئله، آمادهسازی بدون نشت اطلاعات، انتخاب طرح ارزیابی و تفسیر نتیجه در متن کسبوکار است.
خطاهای رایج در پروژهها
- شروع مستقیم از الگوریتم پیش از شناخت مسئله و داده
- پاکسازی پراکنده و غیرقابل تکرار خارج از Pipeline
- انتخاب مدل فقط براساس یک امتیاز یا Accuracy
- نادیدهگرفتن داده نامتوازن و هزینه متفاوت خطاها
- گزارش مدل بدون تفسیر، مقایسه و پیام کاربردی
رویکرد این کورس
- حرکت مرحلهبهمرحله در فرایند دادهکاوی
- EDA، کیفیت داده و مهندسی ویژگی پیش از مدلسازی
- ساخت جریان قابلتکرار با Pipeline و ColumnTransformer
- ارزیابی متناسب با طبقهبندی، رگرسیون و خوشهبندی
- پیوند مدل با مسئله در چند پروژه مستمر و یک Capstone واقعی
معماری یادگیری
یک مسیر ۱۲ هفتهای از کاوش داده تا تحلیل رفتار مشتری
پروژهها در طول کورس ادامه پیدا میکنند تا آمادهسازی، مدلسازی و ارزیابی را بهصورت یک فرایند پیوسته ببینید.
کاوش و سنجش کیفیت داده
EDA و نمایهسازی داده، دادههای خارج از بازه و ناسازگار، نقاط پرت، مقادیر گمشده و راهبردهای پاکسازی.
تبدیل، مهندسی و کاهش ابعاد
ساخت ویژگی، گسستهسازی، Encoding و Scaling؛ انتخاب ویژگی و استخراج ویژگی با PCA، Kernel PCA و LDA؛ نمونهگیری، تجمیع، RFM و یکپارچهسازی داده.
Pipeline و طراحی ارزیابی
ساخت Pipeline و ColumnTransformer، پیشبینی داده جدید، Hold-out و Cross-validation و انتخاب منطق مناسب ارزیابی.
درختها و مدلهای آماری
درخت تصمیم و رگرسیون، معیارهای طبقهبندی و رگرسیون، داده نامتوازن، Naive Bayes، رگرسیون خطی، Ridge، Lasso و رگرسیون لجستیک.
مدلهای فاصله، حاشیه و Ensemble
KNN، شبکه عصبی با Scikit-learn و Keras، SVM و SVR و رویکردهای Bagging، Boosting و Stacking.
کشف الگو و نمایهسازی مشتری
خوشهبندی K-Means، سلسلهمراتبی و DBSCAN، ارزیابی و تفسیر خوشهها و اجرای پروژه واقعی تحلیل رفتار مشتریان.
جعبهابزار مدلسازی
الگوریتم را در متن مسئله و پروژه یاد بگیرید
هدف، جمعکردن نام مدلها نیست؛ باید بدانید هر خانواده چه مسئلهای را حل میکند، چگونه تنظیم و ارزیابی میشود و نتیجهاش چه معنایی دارد.
درخت تصمیم و درخت رگرسیون
ساخت و تنظیم درخت، ارزیابی قوانین و استفاده در مسائل اعتبارسنجی و پیشبینی قیمت.
مدلهای آماری
Naive Bayes، رگرسیون خطی و لجستیک و Regularization با Ridge و Lasso.
KNN، SVM و SVR
مدلسازی مبتنی بر فاصله و حاشیه برای مسائل طبقهبندی و رگرسیون و تنظیم پارامترها.
شبکه عصبی کاربردی
شناخت فرایند یادگیری و پیادهسازی شبکه عصبی با Scikit-learn و Keras در دو مسئله اصلی کورس.
یادگیری گروهی
Bagging، Boosting و Stacking برای ترکیب مدلها و مقایسه عملکرد آنها.
مدلهای بدون ناظر
K-Means، خوشهبندی سلسلهمراتبی و DBSCAN برای بخشبندی و کشف گروههای پنهان.
یادگیری با مسئله واقعی
سه خط پروژه که همراه کورس رشد میکنند
هر پروژه برای نمایش یک خانواده متفاوت از مسائل انتخاب شده است: طبقهبندی، رگرسیون و تحلیل اکتشافی رفتار مشتری.
اعتبارسنجی مشتریان بانکی
طبقهبندی، داده نامتوازن و هزینه خطا
Classification · Imbalanced Data
از EDA تا مقایسه مدلهای اعتبارسنجی
کیفیت داده مشتریان را بررسی میکنید، Pipeline آمادهسازی میسازید و مدلهایی مانند درخت تصمیم، Naive Bayes، Logistic Regression، KNN، شبکه عصبی، SVM و Ensemble را پیادهسازی و مقایسه میکنید. حساسیت مسئله به عدمتوازن، ماتریس هزینه و آستانه تصمیم نیز بررسی میشود.
پیشبینی قیمت مسکن
رگرسیون، انتخاب ویژگی و Kaggle
Regression · Feature Selection · Kaggle
ساخت جریان کامل پیشبینی قیمت
داده را پاکسازی و تبدیل میکنید، روشهای Filter و Wrapper را برای انتخاب ویژگی به کار میگیرید، Pipeline مدلهای رگرسیونی را مقایسه میکنید و نتیجه پیشبینی دادههای آینده را برای مسابقه Kaggle آماده و ارسال میکنید.
تحلیل رفتار مشتریان و نمایهسازی گروه هدف
پروژه واقعی دایکه؛ دو هفته برای ساخت یک Case Study قابلارائه
Customer Analytics · Unsupervised Learning
از رفتار خام مشتری تا گروههای قابل اقدام
با تکیه بر تجربه واقعی دایکه، دادههای رفتاری مشتریان را آماده و تجمیع میکنید، شاخصهای معنادار و نمایه RFM میسازید، الگوها را با روشهای خوشهبندی کشف و ارزیابی میکنید و در نهایت برای هر گروه، یک پروفایل قابلفهم و قابلاستفاده ارائه میدهید.
- ۱تعریف مسئله و شناخت داده
- ۲تجمیع رفتار و ساخت RFM
- ۳آمادهسازی و انتخاب ویژگی
- ۴خوشهبندی و ارزیابی
- ۵تفسیر و نمایهسازی گروهها
دستاورد کورس
در پایان، چه توانمندیهایی را به هم متصل میکنید؟
ارزیابی کیفیت داده
ناسازگاری، نقاط پرت و مقادیر گمشده را تشخیص میدهید و راهبرد مناسب انتخاب میکنید.
مهندسی ویژگی
ویژگی میسازید، داده را تبدیل میکنید و انتخاب یا استخراج ویژگی انجام میدهید.
ساخت Pipeline
آمادهسازی و مدل را در جریان قابلتکرار قرار میدهید و روی داده جدید پیشبینی میکنید.
ارزیابی مدل
Hold-out، Cross-validation و معیارهای متناسب با طبقهبندی و رگرسیون را به کار میگیرید.
مقایسه الگوریتمها
چند خانواده مدل را تنظیم، مقایسه و با توجه به مسئله و محدودیتها انتخاب میکنید.
کشف و تفسیر الگو
خوشهها را ارزیابی و به پروفایلهای قابلفهم مشتری تبدیل میکنید.
مرزبندی حرفهای
مدلسازی کاربردی؛ نه صرفاً آموزش الگوریتم و نه هنوز ML Engineering
این کورس توانمندی حل مسئله، آمادهسازی، مدلسازی، ارزیابی و تفسیر را میسازد. استقرار سرویس، مانیتورینگ مدل و زیرساخت تولید، لایه مهندسی دیگری است که به پیشنیازهای نرمافزاری و پروژههای تخصصیتر نیاز دارد.
| حوزه مهارتی | جایگاه در این کورس |
|---|---|
| EDA، کیفیت داده و آمادهسازی | پوشش محوری و پروژهای |
| Feature Engineering و کاهش ابعاد | پوشش محوری |
| Pipeline، Validation و معیارهای ارزیابی | پوشش محوری |
| طبقهبندی، رگرسیون و خوشهبندی | چندمدلی و پروژهای |
| تحلیل دادههای تصویری، متنی و زمانی عمیق | در کورس یادگیری عمیق کاربردی بسط مییابد |
| API Serving، Deployment، Monitoring و MLOps | خارج از تمرکز؛ نیازمند ادامه مهندسی |
جایگاه کورس
هسته اصلی گام مدلساز دادهمحور
این کورس پایه مدلسازی دادههای جدولی را میسازد و در معماری جدید دایکه، همراه با «یادگیری عمیق کاربردی» گام مدلساز دادهمحور را تشکیل میدهد.
گام مدلساز دادهمحور
اگر میخواهید پس از مدلهای کلاسیک، تجربه کار با دادهها و معماریهای زمانی، متنی و تصویری را نیز بسازید، کورس یادگیری عمیق ادامه طبیعی این گام است.
- دادهکاوی و یادگیری ماشین کاربردی
- یادگیری عمیق کاربردی
- پروژههای چندنوع داده و Transfer Learning
مسیر دانشمند داده
برای ترکیب تحلیل، مدلسازی و توانمندی فنی، این کورس را میتوانید در امتداد مسیر کامل دانشمند داده ادامه دهید.
- پایه تحلیل و آمار
- مدلسازی کلاسیک و عمیق
- Python، منابع داده و پایههای مهندسی
مخاطب و آمادگی
این کورس برای شما مناسب است اگر…
انتخاب مناسبی است اگر
- تحلیل مقدماتی انجام دادهاید و میخواهید وارد مدلسازی حرفهایتر شوید.
- با Python و کار اولیه با DataFrame آشنا هستید.
- مفاهیم پایه آمار و احتمال را میشناسید یا آماده مرور هدفمند آنها هستید.
- میخواهید مدلها را در چند پروژه واقعی و مستمر مقایسه کنید.
پیش از شروع پایه خود را تقویت کنید اگر
- هنوز اجرای کدهای پایه Python و Pandas برایتان دشوار است.
- با آمار توصیفی، احتمال و منطق آزمون فرض آشنایی ندارید.
- فقط دنبال استقرار مدل و مباحث MLOps هستید.
- انتظار دارید بدون تمرین و پروژه، صرفاً با تماشای ویدئو به تسلط برسید.
پیش از ثبتنام
پرسشهای پرتکرار
آیا این کورس فقط الگوریتمهای یادگیری ماشین را آموزش میدهد؟
خیر. بخش مهمی از کورس به EDA، کیفیت داده، پاکسازی، تبدیل، مهندسی و انتخاب ویژگی، کاهش ابعاد، Pipeline و طراحی ارزیابی اختصاص دارد؛ زیرا کیفیت مدل به کل فرایند وابسته است.
پروژهها چگونه در طول کورس استفاده میشوند؟
پروژههای اعتبارسنجی بانکی و پیشبینی قیمت مسکن با پیشرفت مباحث توسعه پیدا میکنند و الگوریتمها روی یک مسئله ثابت مقایسه میشوند. پروژه نهایی تحلیل رفتار مشتریان نیز بهصورت یک Case Study واقعی و مستقل اجرا میشود.
آیا با داده نامتوازن هم کار میکنیم؟
بله. در پروژه اعتبارسنجی، روشهای مبتنی بر نمونهگیری، ماتریس هزینه و تنظیم آستانه تصمیم بررسی میشوند تا محدودیت Accuracy در چنین مسائلی روشن شود.
آیا نتیجه پروژه قیمت مسکن در Kaggle ارسال میشود؟
در برنامه کورس، Pipeline پروژه نهایی میشود، برای دادههای آینده پیشبینی تولید میشود و نتیجه مسابقه در Kaggle ارسال خواهد شد.
آیا یادگیری عمیق هم در این کورس پوشش داده میشود؟
شبکه عصبی مصنوعی و پیادهسازی آن با Scikit-learn و Keras بهعنوان بخشی از مقایسه مدلها معرفی میشود؛ اما تحلیل عمیق دادههای زمانی، متنی و تصویری در کورس مستقل «یادگیری عمیق کاربردی» بسط مییابد.
آیا پس از این کورس ML Engineer محسوب میشوم؟
این کورس هسته مدلسازی کاربردی را میسازد، اما ML Engineering به برنامهنویسی نرمافزاری قویتر، Git، API، Linux، Container، استقرار، مانیتورینگ و MLOps نیز نیاز دارد. این مرزبندی کمک میکند ادامه مسیر را هدفمند انتخاب کنید.
قدم بعدی
مدل را در یک فرایند واقعی بسازید
فهرست درسها و ویدئوهای نمونه را ببینید یا گزینههای ثبتنام کورس را در باکس رسمی محصول بررسی کنید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.