چه چیزهایی یاد خواهید گرفت؟

• درک عمیق از مفهوم داده‌های نامتوازن و چالش‌های ناشی از آن.
• شناسایی و ارزیابی داده‌های نامتوازن با استفاده از معیارهای مناسب.
• تکنیک‌های پیش‌پردازش داده‌ها برای بهبود تعادل کلاس‌ها.
• تکنیک‌های نمونه‌برداری (Under-sampling و Over-sampling) و کاربرد آن‌ها.
• انتخاب و تنظیم مدل‌های یادگیری ماشین مناسب برای داده‌های نامتوازن.
• ارزیابی عملکرد مدل‌ها با استفاده از معیارهای مناسب.
• روش‌های تشخیص و کاهش اثرات داده‌های پرت (Outliers).
• بهبود عملکرد مدل‌ها با استفاده از تکنیک‌های Ensemble.
• پیاده‌سازی عملی تکنیک‌ها با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه‌های پرکاربرد.

مزایای شرکت در این دوره

• محتوای جامع و کاربردی: دوره شامل مطالب تئوری و مثال‌های عملی است که به شما کمک می‌کند تا مفاهیم را به خوبی درک کنید و بتوانید آن‌ها را در پروژه‌های خود پیاده‌سازی کنید.
• تمرکز بر روی مثال‌های عملی: در این دوره، با استفاده از مثال‌های واقعی و مجموعه‌داده‌های متنوع، شما با چگونگی حل مشکلات مربوط به داده‌های نامتوازن آشنا می‌شوید.
• پشتیبانی و راهنمایی: با وجود ارائه دوره بر روی فلش مموری، شما همچنان از پشتیبانی و راهنمایی‌های لازم برای رفع اشکالات و پاسخ به سوالات خود برخوردار خواهید بود.
• افزایش مهارت‌های عملی: با شرکت در این دوره، مهارت‌های عملی شما در زمینه یادگیری ماشین و تحلیل داده‌ها به طور قابل توجهی افزایش می‌یابد.
• آمادگی برای پروژه‌های واقعی: دانش و مهارت‌های کسب شده در این دوره، شما را برای انجام پروژه‌های یادگیری ماشین با داده‌های نامتوازن در دنیای واقعی آماده می‌کند.

پیش‌نیازهای دوره

برای شرکت در این دوره، داشتن پیش‌نیازهای زیر ضروری است:

• دانش مقدماتی برنامه‌نویسی پایتون: آشنایی با مفاهیم پایه برنامه‌نویسی پایتون، از جمله متغیرها، انواع داده‌ها، حلقه‌ها، شرط‌ها و توابع.
• آشنایی با مفاهیم پایه یادگیری ماشین: درک مفاهیم اساسی یادگیری ماشین، از جمله یادگیری تحت نظارت، یادگیری بدون نظارت، مدل‌سازی و ارزیابی مدل‌ها.
• آشنایی با کتابخانه‌های NumPy، Pandas و Scikit-learn: آشنایی با این کتابخانه‌های پایتون و نحوه استفاده از آن‌ها برای پردازش داده‌ها، مدل‌سازی و ارزیابی مدل‌ها.

اگر با این پیش‌نیازها آشنایی ندارید، توصیه می‌شود قبل از شرکت در این دوره، یک دوره مقدماتی برنامه‌نویسی پایتون و یا یادگیری ماشین را بگذرانید.

سرفصل‌های دوره

این دوره به بخش‌های زیر تقسیم می‌شود:

• مقدمه و مروری بر داده‌های نامتوازن: در این بخش، با مفهوم داده‌های نامتوازن، انواع داده‌های نامتوازن، و چالش‌های ناشی از آن آشنا می‌شوید.
• شناسایی و ارزیابی داده‌های نامتوازن: یاد می‌گیرید چگونه داده‌های نامتوازن را شناسایی و با استفاده از معیارهای مناسب، عملکرد مدل‌ها را ارزیابی کنید.
• تکنیک‌های پیش‌پردازش داده‌ها: با تکنیک‌های مختلف پیش‌پردازش داده‌ها برای بهبود تعادل کلاس‌ها، از جمله نرمال‌سازی و استانداردسازی، آشنا می‌شوید.
• تکنیک‌های نمونه‌برداری: در این بخش، با تکنیک‌های نمونه‌برداری (Under-sampling و Over-sampling) و کاربرد آن‌ها آشنا می‌شوید.
• انتخاب و تنظیم مدل‌های یادگیری ماشین: یاد می‌گیرید چگونه مدل‌های یادگیری ماشین مناسب را برای داده‌های نامتوازن انتخاب و تنظیم کنید، از جمله درخت تصمیم، جنگل تصادفی، و ماشین بردار پشتیبان.
• ارزیابی مدل‌ها و معیارهای عملکرد: در این بخش، با معیارهای مختلف ارزیابی عملکرد مدل‌ها در داده‌های نامتوازن، از جمله دقت، دقت، فراخوان، F1-score و AUC آشنا می‌شوید.
• تکنیک‌های Ensemble: یاد می‌گیرید چگونه با استفاده از تکنیک‌های Ensemble، عملکرد مدل‌ها را بهبود بخشید.
• پیاده‌سازی عملی در پایتون: در این بخش، تمامی مفاهیم و تکنیک‌های یاد گرفته شده را با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه‌های پرکاربرد، پیاده‌سازی می‌کنید.
• مثال‌های عملی و پروژه‌های کاربردی: در این بخش، با استفاده از مثال‌های عملی و مجموعه‌داده‌های متنوع، چگونگی حل مشکلات مربوط به داده‌های نامتوازن را یاد می‌گیرید.