این دوره شامل یک مجموعه جامع از موضوعات مهندسی ویژگی است که شما را برای تسلط بر این حوزه آماده می‌کند. سرفصل‌های اصلی دوره عبارتند از:

• آشنایی با مفاهیم پایه: درک مفاهیم کلیدی مانند ویژگی، فضای ویژگی، و اهمیت مهندسی ویژگی در فرآیند یادگیری ماشین.
• پیش‌پردازش داده‌ها: پاک‌سازی داده‌ها، مدیریت مقادیر گمشده، و شناسایی و رسیدگی به مقادیر پرت.
• تبدیل ویژگی‌ها: تکنیک‌های مختلف تبدیل ویژگی‌ها، مانند نرمال‌سازی، استانداردسازی، و تبدیل‌های غیرخطی.
• مهندسی ویژگی‌های دسته‌ای و متنی: استخراج ویژگی‌های مفید از داده‌های دسته‌ای و متنی، از جمله استفاده از تکنیک‌های رمزگذاری، شمارش کلمات، و مدل‌های تعبیه‌سازی کلمات.
• مهندسی ویژگی‌های زمانی: استخراج ویژگی‌های مرتبط با زمان، مانند سال، ماه، روز، و ساعت، و استفاده از این ویژگی‌ها برای بهبود عملکرد مدل‌های پیش‌بینی.
• انتخاب ویژگی‌ها: روش‌های مختلف انتخاب ویژگی، از جمله فیلتر کردن، روش‌های مبتنی بر رتبه‌بندی، و روش‌های بسته‌بندی.
• تعامل ویژگی‌ها: ایجاد ویژگی‌های جدید با ترکیب ویژگی‌های موجود برای شناسایی الگوهای پیچیده‌تر.
• ارزیابی ویژگی‌ها: ارزیابی عملکرد ویژگی‌های ایجاد شده با استفاده از معیارهای مختلف.
• کاربرد عملی در پروژه‌های واقعی: پیاده‌سازی تکنیک‌های مهندسی ویژگی در پروژه‌های واقعی با استفاده از کتابخانه‌های Python مانند Pandas، scikit-learn و NumPy.

با شرکت در این دوره، شما از مزایای متعددی بهره‌مند خواهید شد:

• یادگیری عملی: تمرکز بر یادگیری عملی و پروژه‌محور برای درک بهتر مفاهیم و تسلط بر مهارت‌ها.
• دسترسی آفلاین: دسترسی کامل به محتوای دوره بر روی فلش مموری 32GB، بدون نیاز به اینترنت.
• به‌روز بودن: محتوای دوره به‌روز شده و شامل جدیدترین تکنیک‌ها و روش‌های مهندسی ویژگی در سال ۲۰۲۴ است.
• پشتیبانی: پشتیبانی کامل از طریق انجمن‌های پرسش و پاسخ و راهنمایی‌های مدرس دوره.
• گواهینامه: دریافت گواهی اتمام دوره پس از تکمیل و موفقیت در آزمون‌های پایان دوره.

برای شرکت در این دوره، دانش قبلی زیر توصیه می‌شود:

• آشنایی با مفاهیم پایه یادگیری ماشین: درک مفاهیم اساسی مانند دسته‌بندی، رگرسیون، و مدل‌های یادگیری ماشین.
• آشنایی با زبان برنامه‌نویسی Python: دانش پایه برنامه‌نویسی Python و آشنایی با کتابخانه‌های NumPy و Pandas.
• تجربه کار با داده‌ها: آشنایی با فرآیند جمع‌آوری، پاک‌سازی و تحلیل داده‌ها.

اگرچه پیش‌نیازها ضروری نیستند، اما داشتن این دانش پایه به شما کمک می‌کند تا از دوره بیشترین بهره را ببرید.

این بخش شامل نگاهی دقیق‌تر به سرفصل‌های دوره است:

• بخش ۱: مقدمه‌ای بر مهندسی ویژگی
  • مفاهیم اولیه و اهمیت مهندسی ویژگی
  • چرخه حیات یادگیری ماشین و جایگاه مهندسی ویژگی
  • چالش‌ها و فرصت‌های موجود در مهندسی ویژگی
• بخش ۲: پیش‌پردازش داده‌ها
  • پاک‌سازی داده‌ها و مدیریت داده‌های گمشده
  • شناسایی و رسیدگی به مقادیر پرت (Outliers)
  • مقیاس‌بندی و نرمال‌سازی داده‌ها
• بخش ۳: تبدیل ویژگی‌ها
  • تبدیل‌های غیرخطی (Logarithmic, Power)
  • تبدیل‌های مبتنی بر توزیع داده‌ها
  • استفاده از تکنیک‌های رمزگذاری (Encoding)
• بخش ۴: مهندسی ویژگی‌های دسته‌ای و متنی
  • رمزگذاری One-Hot و Label
  • استخراج ویژگی‌های مبتنی بر فراوانی (Frequency Encoding)
  • کار با داده‌های متنی: شمارش کلمات، TF-IDF، و Word Embeddings
• بخش ۵: مهندسی ویژگی‌های زمانی
  • استخراج ویژگی‌های زمانی از داده‌ها (سال، ماه، روز، ساعت و ...)
  • ایجاد ویژگی‌های مبتنی بر تاریخ و زمان
  • استفاده از تقویم و تعطیلات در مهندسی ویژگی
• بخش ۶: انتخاب ویژگی‌ها
  • روش‌های فیلتر کردن (Filter Methods)
  • روش‌های رتبه‌بندی ویژگی‌ها (Wrapper Methods)
  • روش‌های تعبیه‌شده (Embedded Methods)
• بخش ۷: تعامل ویژگی‌ها و ایجاد ویژگی‌های جدید
  • ترکیب ویژگی‌ها با استفاده از عملیات ریاضی
  • ایجاد ویژگی‌های جدید با استفاده از منطق شرطی
  • استفاده از تکنیک‌های مهندسی ویژگی برای بهبود عملکرد مدل
• بخش ۸: ارزیابی و اعتبارسنجی ویژگی‌ها
  • معیارهای ارزیابی مدل‌های یادگیری ماشین
  • استفاده از تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
  • انتخاب بهترین مجموعه ویژگی‌ها
• بخش ۹: پروژه‌های عملی
  • پیاده‌سازی تکنیک‌های مهندسی ویژگی در پروژه‌های واقعی
  • حل مسائل دنیای واقعی با استفاده از مهندسی ویژگی
  • کاربرد مهندسی ویژگی در حوزه‌های مختلف (پیش‌بینی فروش، تشخیص کلاهبرداری، و ...)