در این دوره آموزشی، شما مهارت‌ها و دانش لازم برای تبدیل شدن به یک متخصص یادگیری ماشین که قادر به توسعه راه‌حل‌های عملی است را کسب خواهید کرد. مهمترین مواردی که فرا خواهید گرفت عبارتند از:

• مبانی یادگیری ماشین با scikit-learn: آشنایی کامل با اکوسیستم scikit-learn، ساختار داده‌ها و نحوه‌ی کار با کلاس‌های اصلی آن.
• پیش‌پردازش داده‌ها (Data Preprocessing): یادگیری تکنیک‌های حیاتی برای آماده‌سازی داده‌ها از جمله پاکسازی داده، مدیریت مقادیر گمشده، مقیاس‌بندی ویژگی‌ها (StandardScaler, MinMaxScaler) و رمزگذاری متغیرهای دسته‌ای (OneHotEncoder, LabelEncoder). این مرحله کلید موفقیت هر مدل یادگیری ماشین است.
• مدل‌سازی رگرسیون: پیاده‌سازی و ارزیابی انواع مدل‌های رگرسیون نظیر رگرسیون خطی، رگرسیون Ridge و Lasso و رگرسیون بردار پشتیبان (SVR). کاربرد این مدل‌ها در پیش‌بینی مقادیر پیوسته (مثلاً پیش‌بینی قیمت مسکن).
• مدل‌سازی طبقه‌بندی: کار با الگوریتم‌های طبقه‌بندی محبوب مانند رگرسیون لجستیک، ماشین بردار پشتیبان (SVM)، درخت‌های تصمیم، جنگل‌های تصادفی (Random Forests) و K-Nearest Neighbors (K-NN). این مدل‌ها برای پیش‌بینی دسته‌ها (مثلاً تشخیص اسپم یا طبقه‌بندی تصاویر) به‌کار می‌روند.
• یادگیری بدون نظارت (Unsupervised Learning): آشنایی با خوشه‌بندی (Clustering) با الگوریتم‌هایی نظیر K-Means و DBSCAN برای کشف الگوهای پنهان در داده‌ها. همچنین، تکنیک‌های کاهش ابعاد (Dimensionality Reduction) مانند تحلیل مؤلفه‌های اصلی (PCA) برای ساده‌سازی داده‌های پیچیده.
• ارزیابی و بهینه‌سازی مدل: درک معیارهای ارزیابی مناسب برای رگرسیون و طبقه‌بندی (مانند MSE, R², دقت، صحت، بازخوانی، F1-Score, AUC-ROC) و نحوه استفاده از اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی قوی مدل‌ها.
• تنظیم هایپرپارامترها: یادگیری تکنیک‌هایی مانند جستجوی شبکه‌ای (GridSearchCV) و جستجوی تصادفی (RandomizedSearchCV) برای یافتن بهترین هایپرپارامترهای مدل و افزایش کارایی آن.
• ساخت پایپ‌لاین‌های یادگیری ماشین: نحوه ایجاد پایپ‌لاین‌های جامع و کارآمد با scikit-learn برای خودکارسازی مراحل پیش‌پردازش و مدل‌سازی. این امر به کدنویسی تمیزتر و مدل‌های قابل اعتمادتر کمک می‌کند.
• پروژه‌های عملی: انجام چندین پروژه عملی و مثال‌های کاربردی که به شما کمک می‌کند تا آموخته‌های خود را در سناریوهای واقعی به کار بگیرید و نمونه‌کارهای قدرتمندی برای خود ایجاد کنید.

شرکت در این دوره آموزشی مزایای متعددی را برای شما به همراه خواهد داشت که به شما در مسیر شغلی و توسعه فردی کمک شایانی می‌کند:

• کسب مهارت‌های عملی: شما نه تنها با تئوری یادگیری ماشین آشنا می‌شوید، بلکه مهمتر از آن، یاد می‌گیرید که چگونه با استفاده از scikit-learn، این مفاهیم را در پروژه‌های واقعی پیاده‌سازی کنید.
• تسلط بر scikit-learn: پس از اتمام دوره، به یکی از پرکاربردترین کتابخانه‌های یادگیری ماشین پایتون تسلط کامل پیدا کرده و قادر خواهید بود به صورت مستقل پروژه‌های پیچیده را مدیریت کنید.
• آمادگی برای بازار کار: این دوره شما را برای ورود به مشاغل پرتقاضای حوزه علم داده و یادگیری ماشین آماده می‌کند، زیرا مهارت‌هایی را آموزش می‌دهد که کارفرمایان به دنبال آن هستند.
• بهبود کیفیت مدل‌ها: با درک عمیق از فرآیند انتخاب مدل، تنظیم هایپرپارامترها و ارزیابی دقیق، قادر خواهید بود مدل‌های یادگیری ماشین با عملکرد بهتری بسازید.
• تفکر الگوریتمی: این دوره به شما کمک می‌کند تا رویکردی ساختاریافته برای حل مسائل پیچیده با استفاده از داده‌ها اتخاذ کنید و به یک متخصص حل مسئله تبدیل شوید.
• اعتماد به نفس در تحلیل داده: با کسب این دانش و مهارت‌ها، اعتماد به نفس شما در مواجهه با چالش‌های تحلیلی و داده‌محور به طرز چشمگیری افزایش می‌یابد.

برای بهره‌مندی حداکثری از مطالب این دوره، توصیه می‌شود که پیش‌نیازهای زیر را داشته باشید:

• آشنایی با زبان برنامه‌نویسی پایتون: درک متوسط تا خوب از اصول پایتون شامل متغیرها، ساختارهای کنترلی (if/else, loops)، توابع، و آشنایی اولیه با کلاس‌ها و اشیاء.
• مبانی جبر خطی و آمار: درک مفاهیم پایه آماری مانند میانگین، واریانس، انحراف معیار، توزیع‌های احتمالی و ماتریس‌ها.
• آشنایی با کتابخانه‌های NumPy و Pandas: توانایی کار با آرایه‌های NumPy و ساختار داده‌های DataFrame در Pandas برای عملیات روی داده‌ها. این دو کتابخانه سنگ بنای بسیاری از پروژه‌های یادگیری ماشین در پایتون هستند.

این دوره به صورت ماژولار طراحی شده است تا یادگیری برای شما سازمان‌یافته و کارآمد باشد. سرفصل‌های اصلی به شرح زیر است:

• ماژول ۱: مقدمه و آماده‌سازی محیط
  • معرفی یادگیری ماشین و جایگاه scikit-learn
  • نصب و راه‌اندازی محیط توسعه (Anaconda, Jupyter Notebook)
  • آشنایی با انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
  • اولین گام‌ها با scikit-learn: دیتاست‌های داخلی و ساختار داده‌ها
• ماژول ۲: پیش‌پردازش و مهندسی ویژگی
  • مدیریت داده‌های گمشده: Imputer
  • مقیاس‌بندی ویژگی‌ها: StandardScaler, MinMaxScaler, RobustScaler
  • رمزگذاری متغیرهای دسته‌ای: OneHotEncoder, LabelEncoder
  • تبدیل ویژگی‌ها و مهندسی ویژگی‌های ساده
• ماژول ۳: یادگیری نظارت‌شده – رگرسیون
  • رگرسیون خطی ساده و چندگانه
  • رگرسیون Ridge و Lasso برای تنظیم مدل و جلوگیری از بیش‌برازش
  • رگرسیون بردار پشتیبان (SVR)
  • ارزیابی مدل‌های رگرسیون: MSE, RMSE, MAE, R²
  • پیاده‌سازی مثال‌های کاربردی رگرسیون
• ماژول ۴: یادگیری نظارت‌شده – طبقه‌بندی
  • رگرسیون لجستیک و کاربرد آن در طبقه‌بندی دودویی و چند کلاسه
  • ماشین بردار پشتیبان (SVM) برای طبقه‌بندی
  • درخت‌های تصمیم و جنگل‌های تصادفی
  • K-Nearest Neighbors (K-NN)
  • ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازخوانی، F1-Score، ماتریس درهم‌ریختگی، منحنی ROC و AUC
  • پیاده‌سازی مثال‌های کاربردی طبقه‌بندی
• ماژول ۵: یادگیری بدون نظارت
  • خوشه‌بندی K-Means و انتخاب تعداد بهینه خوشه‌ها
  • خوشه‌بندی سلسله‌مراتبی و DBSCAN
  • کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
  • کاربرد PCA در بینایی کامپیوتر و تحلیل داده‌های بزرگ
• ماژول ۶: بهینه‌سازی و پایپ‌لاین مدل
  • اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی پایدار مدل
  • تنظیم هایپرپارامترها: GridSearchCV و RandomizedSearchCV
  • ساخت پایپ‌لاین‌های یادگیری ماشین با `Pipeline` در scikit-learn
  • ذخیره و بارگذاری مدل‌های آموزش‌دیده
• ماژول ۷: پروژه‌های عملی و نکات پیشرفته
  • پروژه عملی ۱: پیش‌بینی قیمت مسکن
  • پروژه عملی ۲: تشخیص اسپم
  • پروژه عملی ۳: خوشه‌بندی مشتریان
  • مقدمه‌ای بر مدل‌هایensemble در scikit-learn
  • بررسی نکات و ترفندهای پیشرفته در scikit-learn