معرفی دوره

در این دوره آموزشی که توسط پلتفرم LinkedIn Learning منتشر شده، به بررسی جامع و عملی مفاهیم علم داده با استفاده از فناوری‌های دات‌نت می‌پردازیم. استفاده از Polyglot Notebooks برای ترکیب چند زبان برنامه‌نویسی در یک محیط واحد و کتابخانه ML.NET برای پیاده‌سازی مدل‌های یادگیری ماشین در بستر .NET، از مهم‌ترین ویژگی‌های این دوره هستند. این دوره نسخهٔ اکتبر ۲۰۲۴ را پوشش می‌دهد و شامل فایل‌های تمرینی و کدهای آماده جهت دانلود رایگان است.

پیش‌نیازها

• آشنایی پایه‌ای با زبان سی‌شارپ (C#) و چارچوب دات‌نت (.NET)
• مفاهیم ابتدایی آمار و جبر خطی برای درک بهتر الگوریتم‌ها
• آشنایی مختصر با ساختار فایل‌های CSV، JSON و داده‌های جدولی
• نصب Visual Studio 2022 یا هر IDE سازگار با دات‌نت
• دسترسی به Polyglot Notebooks و بسته‌های ML.NET

سرفصل‌های اصلی دوره

• مقدمه‌ای بر Polyglot Notebooks: نصب، پیکربندی و نکات کلیدی
• مروری بر ML.NET: ساختار، مفاهیم و معماری داخلی
• پیش‌پردازش داده‌ها: پاکسازی، نرمال‌سازی و انتقال ویژگی‌ها
• آشنایی با الگوریتم‌های طبقه‌بندی: درخت تصمیم، SVM و شبکه‌های عصبی ساده
• الگوریتم‌های رگرسیون برای پیش‌بینی مقادیر پیوسته
• خوشه‌بندی (Clustering) و کاهش ابعاد (PCA)
• بهینه‌سازی و تنظیم هایپرپارامترها با AutoML.NET
• تجسم داده و نتایج مدل‌ها با نمودارهای داینامیک
• استقرار مدل در اپلیکیشن‌های وب و دسکتاپ دات‌نت
• پیاده‌سازی CI/CD برای به‌روزرسانی خودکار مدل‌ها

آنچه در پایان دوره خواهید آموخت

• چگونه در یک نوت‌بوک چندزبانه (Polyglot)، کدهای C#، F# و Python را ترکیب کنید.
• ساخت و آموزش مدل‌های یادگیری ماشین با ML.NET.
• پیش‌پردازش داده‌ها و آماده‌سازی آن‌ها برای مدل‌سازی.
• بهینه‌سازی عملکرد مدل‌ها با تنظیم هایپرپارامترها.
• ارزیابی دقیق مدل‌ها با معیارهای استاندارد مانند Accuracy، Precision و Recall.
• نحوه استقرار و نسخه‌بندی مدل‌ها در اپلیکیشن‌های واقعی دات‌نت.

مثال‌های عملی دوره

در هر فصل، پروژه‌های واقعی و سناریوهای کاربردی ارائه شده است. به عنوان نمونه:

• تحلیل داده‌های فروش یک فروشگاه آنلاین با ده‌ها هزار رکورد و پیش‌بینی فروش ماه آینده.
• تشخیص تقلب بانکی با استفاده از الگوریتم‌های طبقه‌بندی در ML.NET.
• خوشه‌بندی مشتریان بر اساس رفتار خرید برای دسته‌بندی‌های بازاریابی هدفمند.
• استفاده از AutoML.NET برای یافتن بهترین ترکیب ویژگی‌ها و هایپرپارامترها بدون نوشتن کد زیاد.

مزایای یادگیری این دوره

• یکپارچه‌سازی کامل با اکوسیستم دات‌نت و قابلیت استقرار سریع در سرویس‌های Azure.
• افزایش بهره‌وری با Polyglot Notebooks و دسترسی به چند زبان برنامه‌نویسی در یک محیط.
• استفاده از ابزارهای متن‌باز و رایگان ML.NET و Visual Studio.
• یادگیری بر پایه پروژه‌های واقعی و مثال‌های کاربردی برای بازار کار.
• بهبود مهارت‌های تحلیل داده، برنامه‌نویسی و یادگیری ماشین به صورت همزمان.

راهنمای دانلود و نصب فایل‌های تمرینی

برای دسترسی به کدهای آماده و دیتاست‌های مورد نیاز:

• وارد صفحه رسمی دوره در LinkedIn Learning شوید.
• بخش Resources را باز کنید و روی لینک Download Exercise Files کلیک نمایید.
• فایل ZIP دانلود شده را استخراج کنید و پوشه‌ها را در مسیر پروژه خود قرار دهید.
• در Polyglot Notebook، فایل Notebook مرتبط با هر فصل را باز کرده و مراحل را دنبال کنید.

نکات کلیدی و بهترین روش‌ها

• همیشه داده‌ها را قبل از مدل‌سازی کاوش کنید (EDA) تا از کیفیت و توزیع آن‌ها آگاه شوید.
• از MLContext در ML.NET برای مدیریت تمام مراحل چرخه حیات مدل استفاده کنید.
• برای بهینه‌سازی هاپرپارامترها، از قابلیت AutoML یا Grid Search داخلی ML.NET بهره گیرید.
• نتایج و متریک‌ها را با کتابخانه‌های تجسم مانند Plotly.NET به صورت پویا نمایش دهید.
• مدل‌های آموزش‌دیده را با مباحث Serialization و Deserialization ذخیره و بارگذاری کنید.

سخن پایانی

دوره «کاوش در علم داده با دات‌نت با استفاده از Polyglot Notebooks و ML.NET» نقطه عطفی برای توسعه‌دهندگان .NET است که می‌خواهند وارد دنیای علم داده و یادگیری ماشین شوند. با دنبال کردن پروژه‌های عملی و تمرین‌های تعاملی این دوره، مهارت‌های خود را در تحلیل داده و ساخت مدل‌های هوشمند به سطحی حرفه‌ای ارتقاء خواهید داد. اکنون با دانلود رایگان فایل‌های تمرینی، گامی محکم در مسیر تبدیل شدن به یک Data Scientist حرفه‌ای بردارید!