توجه بسیار مهم: محتوای دوره روی فلش مموری

این مجموعه آموزشی کامل و به‌روز، به صورت فیزیکی بر روی یک فلش مموری ۳۲ گیگابایتی با کیفیت برای شما ارسال می‌گردد. این دوره به صورت دانلودی ارائه نمی‌شود. این مزیت به شما امکان می‌دهد تا به تمامی محتوای دوره، شامل ویدیوها، کدهای برنامه‌نویسی، و دیتاست‌ها، به صورت همیشگی و آفلاین، بدون نیاز به اتصال به اینترنت و نگرانی از حجم مصرفی، دسترسی داشته باشید.

برای بهره‌برداری حداکثری از این دوره، آشنایی با موارد زیر توصیه می‌شود:

• آشنایی با مفاهیم پایه برنامه‌نویسی پایتون: درک متغیرها، حلقه‌ها، توابع و ساختارهای داده‌ای مانند لیست و دیکشنری.
• درک اولیه از ریاضیات دبیرستان: مفاهیم پایه‌ای جبر خطی (ماتریس و بردار) و آمار و احتمالات (میانگین، واریانس) به درک عمیق‌تر الگوریتم‌ها کمک خواهد کرد. البته مفاهیم ضروری در طول دوره مرور خواهند شد.

بخش اول: مبانی پایتون برای علم داده

در این بخش، با کتابخانه‌های حیاتی پایتون که ستون فقرات هر پروژه علم داده را تشکیل می‌دهند، به صورت عملی کار خواهید کرد:

• NumPy: کار با آرایه‌های چندبعدی و انجام محاسبات ریاضی و برداری بهینه.
• Pandas: ابزار قدرتمند برای خواندن، پاک‌سازی، تحلیل و دستکاری داده‌های جدولی (DataFrames).
• Matplotlib & Seaborn: مصورسازی داده‌ها برای درک بهتر الگوها و ارائه نتایج به صورت گرافیکی.

بخش دوم: مفاهیم بنیادین یادگیری ماشین

قبل از ورود به الگوریتم‌ها، باید با مفاهیم اصلی آشنا شوید:

• تفاوت یادگیری نظارت‌شده (Supervised) و بدون نظارت (Unsupervised).
• درک مسائل رگرسیون (Regression) برای پیش‌بینی مقادیر پیوسته (مانند قیمت خانه) و طبقه‌بندی (Classification) برای پیش‌بینی دسته‌ها (مانند تشخیص اسپم).
• مفاهیم کلیدی مانند بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) و راه‌های مقابله با آن‌ها.

بخش سوم: الگوریتم‌های کلیدی یادگیری ماشین

در قلب این دوره، شما با محبوب‌ترین و کاربردی‌ترین الگوریتم‌ها آشنا شده و آن‌ها را با استفاده از کتابخانه Scikit-learn پیاده‌سازی خواهید کرد:

• رگرسیون خطی و لجستیک: الگوریتم‌های پایه‌ای و قدرتمند برای پیش‌بینی و طبقه‌بندی.
• درخت تصمیم (Decision Tree): درک نحوه تصمیم‌گیری مدل به صورت شهودی و قابل تفسیر.
• جنگل تصادفی (Random Forest): یک الگوریتم ترکیبی (Ensemble) قدرتمند که با استفاده از چندین درخت تصمیم، دقت را افزایش و خطر بیش‌برازش را کاهش می‌دهد.
• ماشین بردار پشتیبان (SVM): یک الگوریتم کارآمد برای مسائل طبقه‌بندی پیچیده.
• خوشه‌بندی K-Means: یک الگوریتم یادگیری بدون نظارت برای گروه‌بندی داده‌های مشابه، مانند تقسیم‌بندی مشتریان.
• تحلیل مؤلفه اصلی (PCA): روشی برای کاهش ابعاد داده‌ها بدون از دست دادن اطلاعات مهم.

بخش چهارم: مهندسی ویژگی و ارزیابی مدل

موفقیت یک مدل فقط به الگوریتم آن بستگی ندارد. در این بخش، مهارت‌های حیاتی زیر را فرا می‌گیرید:

• آماده‌سازی داده‌ها: روش‌های مدیریت داده‌های گمشده (Missing Values)، نرمال‌سازی و استانداردسازی داده‌های عددی.
• مهندسی ویژگی (Feature Engineering): هنر ساخت ویژگی‌های جدید از داده‌های موجود برای بهبود عملکرد مدل.
• ارزیابی مدل: استفاده از معیارهای صحیح مانند دقت (Accuracy)، صحت (Precision)، بازیابی (Recall) و F1-Score برای سنجش عملکرد مدل‌های طبقه‌بندی.
• اعتبارسنجی متقابل (Cross-Validation): تکنیکی برای اطمینان از اینکه مدل شما بر روی داده‌های جدید نیز عملکرد خوبی خواهد داشت.
• بهینه‌سازی هایپرپارامترها (Hyperparameter Tuning): روش‌هایی مانند جستجوی شبکه‌ای (Grid Search) برای یافتن بهترین تنظیمات برای مدل شما.