یادگیری ماشین (Machine Learning) با پایتون
این دوره درحال برگزاری است

دوره تقویت مهارت‌های اولیه یادگیری ماشین

  • آموزش پروژه‌محور توسط مدرس معتبر و آکادمی لینکدین با زیرنویس فارسی و روان
  • پوشش جامع روش‌های Ensemble Learning
  • پیاده‌سازی عملی با scikit-learn و XGBoost
  • استفاده از GitHub Codespaces برای تمرین‌های ابری
  • مناسب برای سطح متوسط و علاقه‌مندان به پیشرفت در ML
آخرین بروزرسانی در تاریخ ۱۴۰۴/۰۳/۱۱
00 : 03 : 53

قیمت دوره :

courseTitle

دوره Applied Machine Learning: Ensemble Learning برای علاقه‌مندان به تقویت مهارت‌های یادگیری ماشین طراحی شده و به شما کمک می‌کند بدون نیاز به پیش‌زمینه علمی رسمی، مفاهیم قدرتمند یادگیری جمعی را بیاموزید.

با تدریس Matt Harrison، در این دوره با روش‌هایی مانند بگینگ (Bagging)، رندوم فارست (Random Forest)، بوستینگ (Boosting)، گرادیان بوستینگ (Gradient Boosting)، XGBoost و استکینگ (Stacking) آشنا می‌شوید.
تمامی این مفاهیم با مثال‌های عملی و استفاده از ابزارهای محبوب پایتون مانند scikit-learn و XGBoost پیاده‌سازی می‌شود.

یک ویژگی منحصربه‌فرد دوره، استفاده از GitHub Codespaces است که به شما اجازه می‌دهد بدون نیاز به نصب نرم‌افزار روی سیستم، تمرین‌ها را در محیط ابری اجرا کنید.

💡 آنچه در این دوره می‌آموزید

✅ مفاهیم یادگیری جمعی و مقابله با اورفیتینگ
✅ اجرای عملی بگینگ، رندوم فارست و تنظیم پارامترها
✅ یادگیری بوستینگ، AdaBoost و گرادیان بوستینگ
✅ پیاده‌سازی XGBoost و تنظیم هایپرپارامترها
✅ درک استکینگ و استفاده از StackingClassifier
✅ حل چالش‌های عملی برای تسلط واقعی بر مفاهیم

👥 این دوره مناسب چه کسانی است؟

  • علاقه‌مندان به ورود یا پیشرفت در یادگیری ماشین
  • متخصصانی که می‌خواهند تکنیک‌های پیشرفته‌تر را یاد بگیرند
  • کسانی که بدون پیش‌زمینه رسمی در علم داده می‌خواهند مهارت کسب کنند
  • افرادی که می‌خواهند با ابزارهای عملی پایتون مثل scikit-learn و XGBoost کار کنند
  • کسانی که قصد دارند مدل‌های خود را برای وظایف واقعی بهینه‌سازی کنند
مشاهده بیشتر

سرفصل های دوره

Introduction

Introduction to Ensemble Learning

Bagging and Random Forests

Boosting and Gradient Boosting

XGBoost

Stacking

Conclusion