این دوره جامع به شما امکان می‌دهد تا یک مدل رگرسیون لجستیک را در پایتون، از ابتدا و بدون استفاده از کتابخانه‌های آماده، بسازید. این رویکرد عمیق به شما درک کاملی از نحوه عملکرد الگوریتم رگرسیون لجستیک می‌دهد و به شما این امکان را می‌دهد تا مدل‌ها را سفارشی‌سازی و بهینه کنید تا به بهترین شکل با نیازهای خاص خود سازگار شوند. این دوره به صورت فیزیکی بر روی یک فلش مموری 32 گیگابایتی ارائه می‌شود، به این معنی که شما می‌توانید به محتوای آموزشی در هر زمان و مکانی دسترسی داشته باشید، بدون نیاز به اتصال اینترنت.

• مبانی رگرسیون لجستیک: درک تئوری پشت رگرسیون لجستیک، از جمله مفهوم تابع سیگموئید، تابع هزینه و حداکثر درست‌نمایی.
• پیاده‌سازی از پایه: نوشتن کد پایتون برای پیاده‌سازی رگرسیون لجستیک از ابتدا، شامل تعریف توابع برای پیش‌بینی، محاسبه تابع هزینه و بهینه‌سازی پارامترها.
• بهینه‌سازی گرادیان کاهشی: یادگیری و پیاده‌سازی الگوریتم گرادیان کاهشی برای یافتن پارامترهای بهینه مدل رگرسیون لجستیک.
• ارزیابی مدل: ارزیابی عملکرد مدل رگرسیون لجستیک با استفاده از معیارهایی مانند دقت، بازیابی، دقت و امتیاز F1.
• تنظیم هایپرپارامترها: یادگیری نحوه تنظیم هایپرپارامترهای مدل رگرسیون لجستیک برای بهبود عملکرد آن.
• کاربرد در دنیای واقعی: استفاده از مدل رگرسیون لجستیک برای حل مسائل طبقه‌بندی واقعی، مانند تشخیص هرزنامه، پیش‌بینی ورشکستگی و تحلیل احساسات.
• کار با داده‌ها: پیش‌پردازش و آماده‌سازی داده‌ها برای استفاده در مدل رگرسیون لجستیک، از جمله نرمال‌سازی داده‌ها و مدیریت داده‌های از دست رفته.

• درک عمیق: شما نه تنها نحوه استفاده از رگرسیون لجستیک را یاد می‌گیرید، بلکه درک کاملی از نحوه عملکرد آن به دست می‌آورید.
• مهارت‌های عملی: شما مهارت‌های عملی لازم برای ساخت و استقرار مدل‌های رگرسیون لجستیک را از ابتدا توسعه خواهید داد.
• قابلیت سفارشی‌سازی: شما قادر خواهید بود مدل‌های رگرسیون لجستیک را سفارشی‌سازی کنید تا به بهترین شکل با نیازهای خاص خود سازگار شوند.
• دسترسی آفلاین: با ارائه دوره بر روی فلش مموری، شما دسترسی دائمی و آفلاین به محتوای آموزشی دارید.
• آماده‌سازی برای مصاحبه: درک عمیق از الگوریتم رگرسیون لجستیک، شما را برای پاسخگویی به سوالات فنی در مصاحبه‌های شغلی آماده می‌کند.
• استقلال از کتابخانه‌ها: توانایی ساخت مدل از پایه، شما را از وابستگی صرف به کتابخانه‌های آماده رها می‌کند و دیدگاه عمیق‌تری به شما می‌دهد.

برای شرکت در این دوره، دانش اولیه‌ای از موارد زیر مورد نیاز است:

• برنامه‌نویسی پایتون: آشنایی با سینتکس پایتون، متغیرها، حلقه‌ها، توابع و ساختارهای داده.
• جبر خطی: درک مفاهیم اولیه‌ای مانند بردارها، ماتریس‌ها و ضرب ماتریسی.
• حساب دیفرانسیل و انتگرال: آشنایی با مشتق و انتگرال.
• آمار: درک مفاهیم اولیه‌ای مانند میانگین، واریانس و توزیع‌های احتمال.

اگر با این مفاهیم آشنایی ندارید، توصیه می‌شود قبل از شرکت در این دوره، منابع آموزشی مناسب را مطالعه کنید.

این دوره به بخش‌های مختلفی تقسیم شده است که هر کدام بر روی یک جنبه خاص از رگرسیون لجستیک تمرکز دارند:

• بخش 1: مقدمه و مفاهیم پایه: در این بخش، با مفهوم رگرسیون لجستیک، کاربردهای آن و مفاهیم پایه مورد نیاز برای درک الگوریتم آشنا می‌شوید.
• بخش 2: پیاده‌سازی تابع سیگموئید: شما یاد می‌گیرید که چگونه تابع سیگموئید را در پایتون پیاده‌سازی کنید، که نقش کلیدی در رگرسیون لجستیک ایفا می‌کند.
• بخش 3: محاسبه تابع هزینه: در این بخش، نحوه محاسبه تابع هزینه برای رگرسیون لجستیک را یاد می‌گیرید.
• بخش 4: بهینه‌سازی با گرادیان کاهشی: شما الگوریتم گرادیان کاهشی را برای یافتن پارامترهای بهینه مدل رگرسیون لجستیک پیاده‌سازی می‌کنید.
• بخش 5: پیش‌بینی و ارزیابی مدل: شما یاد می‌گیرید که چگونه از مدل رگرسیون لجستیک برای پیش‌بینی استفاده کنید و عملکرد آن را ارزیابی کنید.
• بخش 6: تنظیم هایپرپارامترها: در این بخش، نحوه تنظیم هایپرپارامترهای مدل رگرسیون لجستیک را برای بهبود عملکرد آن یاد می‌گیرید.
• بخش 7: مثال عملی: تشخیص هرزنامه: شما از مدل رگرسیون لجستیک برای تشخیص هرزنامه‌ها استفاده خواهید کرد.
• بخش 8: مثال عملی: پیش‌بینی ورشکستگی: در این بخش، نحوه استفاده از رگرسیون لجستیک برای پیش‌بینی ورشکستگی شرکت‌ها را خواهید آموخت.

یکی از کاربردهای رایج رگرسیون لجستیک، تشخیص هرزنامه است. در این مثال، ما از مدل رگرسیون لجستیک برای طبقه‌بندی ایمیل‌ها به عنوان هرزنامه یا غیر هرزنامه استفاده می‌کنیم. داده‌ها شامل ویژگی‌هایی مانند تعداد کلمات خاص، وجود لینک‌ها و استفاده از کلمات کلیدی خاص هستند. پس از آموزش مدل رگرسیون لجستیک بر روی این داده‌ها، می‌توانیم از آن برای طبقه‌بندی ایمیل‌های جدید به عنوان هرزنامه یا غیر هرزنامه استفاده کنیم.

کد زیر یک نمونه ساده از نحوه پیاده‌سازی این مثال در پایتون است (توجه: این کد تنها برای نشان دادن مفهوم است و نیاز به پیاده‌سازی کامل توابع رگرسیون لجستیک دارد):

# فرضی مثال: ویژگی ها و برچسب ها از قبل تعریف شده اند
# features: ماتریس ویژگی ها (هر سطر یک ایمیل، هر ستون یک ویژگی)
# labels: برچسب ها (1 برای هرزنامه، 0 برای غیر هرزنامه)

# مقدار دهی اولیه پارامترها
weights = np.zeros(features.shape[1])
bias = 0

# تنظیمات گرادیان کاهشی
learning_rate = 0.01
num_iterations = 1000

# حلقه گرادیان کاهشی
for i in range(num_iterations):
    # محاسبه پیش بینی ها
    predictions = sigmoid(np.dot(features, weights) + bias)

    # محاسبه گرادیان ها
    dw = (1/features.shape[0]) * np.dot(features.T, (predictions - labels))
    db = (1/features.shape[0]) * np.sum(predictions - labels)

    # به روز رسانی پارامترها
    weights = weights - learning_rate * dw
    bias = bias - learning_rate * db

# پس از آموزش، از مدل برای پیش بینی ایمیل های جدید استفاده کنید

این مثال نشان می‌دهد که چگونه می‌توان رگرسیون لجستیک را برای حل یک مسئله طبقه‌بندی واقعی به کار برد. دوره به طور مفصل به شما نحوه پیاده‌سازی این کد و درک منطق پشت آن را آموزش می‌دهد.

• رگرسیون لجستیک یک الگوریتم طبقه‌بندی خطی است که برای پیش‌بینی احتمال تعلق یک نمونه به یک کلاس خاص استفاده می‌شود.
• تابع سیگموئید نقش کلیدی در رگرسیون لجستیک ایفا می‌کند، زیرا خروجی خطی مدل را به یک احتمال بین 0 و 1 تبدیل می‌کند.
• تابع هزینه در رگرسیون لجستیک برای اندازه‌گیری تفاوت بین پیش‌بینی‌های مدل و برچسب‌های واقعی استفاده می‌شود.
• الگوریتم گرادیان کاهشی برای یافتن پارامترهای بهینه مدل رگرسیون لجستیک استفاده می‌شود، که تابع هزینه را به حداقل می‌رساند.
• ارزیابی عملکرد مدل رگرسیون لجستیک با استفاده از معیارهایی مانند دقت، بازیابی، دقت و امتیاز F1 مهم است.