کتاب تسلط بر خط لوله یادگیری تقویتی گرادیانی با Scikit-Learn با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر خط لوله یادگیری تقویتی گرادیانی با Scikit-Learn

موضوع کلی: یادگیری ماشین

موضوع میانی: یادگیری تقویتی گرادیانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی گرادیانی (Gradient Boosting)
• 2. تفاوت‌های کلیدی بین یادگیری تقویتی گرادیانی و سایر الگوریتم‌ها
• 3. درک مفهوم Ensemble Learning و Boosting
• 4. معرفی کتابخانه Scikit-Learn و قابلیت‌های آن در یادگیری تقویتی گرادیانی
• 5. نصب و راه‌اندازی Scikit-Learn
• 6. پیش‌پردازش داده‌ها برای مدل‌های یادگیری تقویتی گرادیانی
• 7. مدیریت داده‌های گمشده (Missing Values)
• 8. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 9. کدگذاری متغیرهای دسته‌ای (Categorical Feature Encoding)
• 10. انتخاب ویژگی (Feature Selection) و کاهش ابعاد
• 11. آشنایی با الگوریتم‌های پایه در یادگیری تقویتی گرادیانی: Decision Tree
• 12. آشنایی با الگوریتم‌های پایه در یادگیری تقویتی گرادیانی: Random Forest
• 13. پیاده‌سازی یک مدل پایه یادگیری تقویتی گرادیانی با Scikit-Learn
• 14. تنظیم پارامترهای مدل (Hyperparameter Tuning) با GridSearchCV
• 15. تنظیم پارامترهای مدل (Hyperparameter Tuning) با RandomizedSearchCV
• 16. درک مفهوم Bias-Variance Tradeoff در یادگیری تقویتی گرادیانی
• 17. جلوگیری از بیش‌برازش (Overfitting) در مدل‌های یادگیری تقویتی گرادیانی
• 18. Regularization در یادگیری تقویتی گرادیانی (L1 و L2)
• 19. ارزیابی مدل‌های یادگیری تقویتی گرادیانی
• 20. معیارهای ارزیابی: دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)، F1-Score
• 21. معیارهای ارزیابی: AUC-ROC و منحنی ROC
• 22. اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی دقیق‌تر مدل
• 23. کار با داده‌های نامتوازن (Imbalanced Datasets) در یادگیری تقویتی گرادیانی
• 24. تکنیک‌های نمونه‌برداری مجدد (Resampling Techniques)
• 25. استفاده از وزن‌دهی به کلاس‌ها (Class Weighting)
• 26. پیاده‌سازی خط لوله (Pipeline) در Scikit-Learn برای ساده‌سازی گردش کار
• 27. بهینه‌سازی خط لوله با استفاده از Feature Union
• 28. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 29. مدیریت نسخه‌های مدل (Model Versioning)
• 30. استفاده از یادگیری تقویتی گرادیانی برای مسائل طبقه‌بندی
• 31. استفاده از یادگیری تقویتی گرادیانی برای مسائل رگرسیون
• 32. کار با داده‌های متنی با استفاده از یادگیری تقویتی گرادیانی
• 33. استفاده از یادگیری تقویتی گرادیانی برای تشخیص تقلب (Fraud Detection)
• 34. استفاده از یادگیری تقویتی گرادیانی برای پیش‌بینی نرخ ریزش مشتری (Customer Churn Prediction)
• 35. آشنایی با الگوریتم XGBoost و ادغام آن با Scikit-Learn
• 36. آشنایی با الگوریتم LightGBM و ادغام آن با Scikit-Learn
• 37. آشنایی با الگوریتم CatBoost و ادغام آن با Scikit-Learn
• 38. مقایسه XGBoost، LightGBM و CatBoost
• 39. بهینه‌سازی عملکرد مدل با استفاده از GPU
• 40. استفاده از تکنیک‌های Parallel Processing برای سرعت بخشیدن به آموزش مدل
• 41. دیباگینگ و عیب‌یابی مدل‌های یادگیری تقویتی گرادیانی
• 42. تفسیرپذیری مدل (Model Interpretability) با استفاده از Feature Importance
• 43. تفسیرپذیری مدل با استفاده از SHAP values
• 44. تفسیرپذیری مدل با استفاده از LIME
• 45. استقرار مدل (Model Deployment) در محیط‌های مختلف
• 46. نکات و ترفندهای پیشرفته در یادگیری تقویتی گرادیانی
• 47. کار با داده‌های بزرگ (Big Data) با استفاده از یادگیری تقویتی گرادیانی
• 48. آینده یادگیری تقویتی گرادیانی و گرایش‌های جدید