هدف اصلی دوره

هدف اصلی این دوره، تجهیز شما به دانش و مهارت‌های لازم برای تبدیل شدن به یک مهندس یادگیری ماشین موفق است. شما یاد خواهید گرفت چگونه مدل‌های یادگیری ماشین را از ابتدا تا انتها توسعه دهید؛ شامل جمع‌آوری و پیش‌پردازش داده‌ها، انتخاب و آموزش مدل‌های مناسب، ارزیابی عملکرد، و نهایتاً استقرار (deployment) مدل‌ها در محیط‌های واقعی. با اتمام این دوره، شما قادر خواهید بود پروژه‌های یادگیری ماشین را با اطمینان خاطر مدیریت کرده و راه‌حل‌های هوشمندانه ارائه دهید.

مخاطبان این دوره

این دوره برای افراد علاقه‌مند به حوزه یادگیری ماشین طراحی شده است که:

• به دنبال ارتقای دانش فنی خود در زمینه هوش مصنوعی و یادگیری ماشین هستند.
• قصد ورود به بازار کار به عنوان مهندس یادگیری ماشین را دارند.
• برنامه‌نویسان و توسعه‌دهندگانی که می‌خواهند مهارت‌های خود را با یادگیری ماشین تکمیل کنند.
• دانشجویان و فارغ‌التحصیلان رشته‌های مرتبط (مانند علوم کامپیوتر، آمار، مهندسی) که به دنبال تخصص عملی هستند.
• تحلیلگران داده که می‌خواهند مدل‌های پیشرفته‌تری بسازند.

پیش‌نیازهای لازم برای این دوره شامل دانش پایه‌ای در برنامه‌نویسی (به خصوص Python)، آشنایی با مفاهیم ریاضیات (مانند جبر خطی و حساب دیفرانسیل و انتگرال)، و درک اولیه از آمار و احتمالات است.

بخش ۱: مقدمه‌ای بر یادگیری ماشین و مهندسی

این بخش با معرفی مفاهیم پایه‌ای یادگیری ماشین آغاز می‌شود:

• تعریف یادگیری ماشین: آشنایی با انواع یادگیری ماشین (نظارت‌شده، بدون نظارت، تقویتی).
• انواع الگوریتم‌ها: معرفی الگوریتم‌های کلاسیک مانند رگرسیون خطی، رگرسیون لجستیک، ماشین‌های بردار پشتیبان (SVM)، درخت‌های تصمیم، و جنگل‌های تصادفی.
• مفاهیم کلیدی: آشنایی با بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)، اعتبارسنجی متقابل (Cross-validation)، معیارهای ارزیابی مدل (دقت، صحت، F1-Score و غیره).
• زبان برنامه‌نویسی Python: مروری بر کاربرد Python در یادگیری ماشین با استفاده از کتابخانه‌های قدرتمند مانند NumPy، Pandas، و Scikit-learn.

در این بخش، شما با مجموعه‌ای از داده‌های واقعی کار خواهید کرد تا مفاهیم آموخته شده را به صورت عملی پیاده‌سازی کنید. به عنوان مثال، ساخت یک مدل پیش‌بینی قیمت مسکن با استفاده از رگرسیون خطی.

بخش ۲: پیش‌پردازش داده‌ها و مهندسی ویژگی

کیفیت داده‌ها نقش حیاتی در موفقیت مدل‌های یادگیری ماشین دارد. این بخش بر تکنیک‌های پیش‌پردازش و آماده‌سازی داده‌ها تمرکز دارد:

• پاکسازی داده‌ها: مدیریت مقادیر گمشده (Missing Values)، شناسایی و حذف داده‌های پرت (Outliers).
• تبدیل داده‌ها: مقیاس‌بندی ویژگی‌ها (Feature Scaling) مانند استانداردسازی (Standardization) و نرمال‌سازی (Normalization).
• رمزگذاری ویژگی‌های دسته‌ای: استفاده از تکنیک‌هایی مانند One-Hot Encoding و Label Encoding.
• مهندسی ویژگی (Feature Engineering): ایجاد ویژگی‌های جدید و مرتبط از داده‌های موجود برای بهبود عملکرد مدل.
• انتخاب ویژگی (Feature Selection): روش‌های انتخاب مهم‌ترین ویژگی‌ها برای کاهش ابعاد و جلوگیری از بیش‌برازش.

یک پروژه عملی در این بخش می‌تواند شامل آماده‌سازی یک مجموعه داده مربوط به رفتار مشتریان برای پیش‌بینی ریزش (Churn Prediction) باشد.

بخش ۳: الگوریتم‌های پیشرفته یادگیری ماشین

این بخش به سراغ الگوریتم‌های قدرتمندتر و پیچیده‌تر می‌رود:

• یادگیری عمیق (Deep Learning): معرفی شبکه‌های عصبی مصنوعی (ANNs)، شبکه‌های عصبی کانولوشنی (CNNs) برای پردازش تصویر، و شبکه‌های عصبی بازگشتی (RNNs) برای پردازش داده‌های ترتیبی.
• کار با فریم‌ورک‌های محبوب: آشنایی و استفاده از TensorFlow و Keras برای پیاده‌سازی مدل‌های یادگیری عمیق.
• پردازش زبان طبیعی (NLP): تکنیک‌های پایه NLP مانند Model Embeddings (Word2Vec, GloVe) و کاربرد آن‌ها در تحلیل متون.
• یادگیری تقویتی (Reinforcement Learning): معرفی مفاهیم پایه یادگیری تقویتی و الگوریتم‌های مرتبط.

شما در این بخش پروژه‌هایی مانند ساخت یک مدل تشخیص اشیاء در تصاویر یا یک سیستم پیشنهاد دهنده (Recommender System) را انجام خواهید داد.

بخش ۴: ارزیابی، بهینه‌سازی و استقرار مدل

پس از ساخت مدل، نوبت به اطمینان از عملکرد صحیح و قابل اتکا بودن آن می‌رسد:

• تنظیم ابرپارامترها (Hyperparameter Tuning): استفاده از تکنیک‌هایی مانند Grid Search و Random Search برای یافتن بهترین تنظیمات مدل.
• تکنیک‌های ارزیابی پیشرفته: ماتریس درهم‌ریختگی (Confusion Matrix)، منحنی ROC و AUC.
• یادگیری انتقالی (Transfer Learning): استفاده از مدل‌های از پیش آموزش‌دیده برای تسریع فرآیند آموزش و بهبود نتایج.
• مقدمه‌ای بر MLOps: آشنایی با اصول و ابزارهای مرتبط با عملیات یادگیری ماشین (Machine Learning Operations) برای استقرار و مدیریت مدل‌ها.
• استقرار مدل: نحوه بسته‌بندی (packaging) مدل‌ها و استقرار آن‌ها به عنوان API یا در محیط‌های ابری.

پروژه نهایی این دوره می‌تواند شامل استقرار یک مدل پیش‌بینی‌کننده سفارشی برای یک کسب‌وکار فرضی باشد.