اکسپرس 24
کتاب تسلط بر خط لوله یادگیری تقویتی گرادیانی با Scikit-Learn

کتاب تسلط بر خط لوله یادگیری تقویتی گرادیانی با Scikit-Learn

تگ‌ها: catboost data science feature engineering gradient boosting hyperparameter tuning imbalanced data lightgbm machine learning machine learning algorithms model deployment model evaluation pipeline python scikit-learn xgboost

انتخاب پلن

افزودنی‌های اختیاری

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.