دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
1 ساعت 52 دقیقهمتوسط2025-07-25
مدرسین

Matt Harrison
Python and Data Science Corporate Trainer, Author, Speaker, Consultant
جزئیات دوره
تو این دوره، مت هریسون – مربی حرفهای پایتون و علوم داده، نویسنده و مشاور – بهت یاد میده چطور مدلهای تخمین ارزش رو با استفاده از پایتون و یادگیری ماشین بسازی و پیادهسازی کنی.
تو این دوره یاد میگیری که چطور با استفاده از رگرسیون خطی (Linear Regression) و XGBoost قیمت خونهها رو بر اساس ویژگیها و موقعیت مکانیشون پیشبینی کنی. علاوه بر این، با کاوش داده، پیشپردازش و روشهای ارزیابی مدل هم آشنا میشی.
در نهایت، میری سراغ ساخت و آموزش مدلهای ساده و پیشرفته و یاد میگیری که چطور یه مدل آموزشدیده رو مقیاسپذیر کنی و برای پیشبینیهای لحظهای (Real-time) مستقر کنی.
🎯 اهداف یادگیری
ساخت مدل تخمین ارزش با استفاده از Linear Regression و XGBoost
ارزیابی و بهبود عملکرد مدل با متریکهایی مثل MAE و R²
مقیاسپذیری و استقرار مدل آموزشدیده برای پیشبینیهای لحظهای
یادگیری مراحل کاوش و پیشپردازش دادهها
آشنایی با آموزش مدلهای ساده و مدلهای پیچیده یادگیری ماشین
تو این دوره یاد میگیری که چطور با استفاده از رگرسیون خطی (Linear Regression) و XGBoost قیمت خونهها رو بر اساس ویژگیها و موقعیت مکانیشون پیشبینی کنی. علاوه بر این، با کاوش داده، پیشپردازش و روشهای ارزیابی مدل هم آشنا میشی.
در نهایت، میری سراغ ساخت و آموزش مدلهای ساده و پیشرفته و یاد میگیری که چطور یه مدل آموزشدیده رو مقیاسپذیر کنی و برای پیشبینیهای لحظهای (Real-time) مستقر کنی.
🎯 اهداف یادگیری
ساخت مدل تخمین ارزش با استفاده از Linear Regression و XGBoost
ارزیابی و بهبود عملکرد مدل با متریکهایی مثل MAE و R²
مقیاسپذیری و استقرار مدل آموزشدیده برای پیشبینیهای لحظهای
یادگیری مراحل کاوش و پیشپردازش دادهها
آشنایی با آموزش مدلهای ساده و مدلهای پیچیده یادگیری ماشین
مهارت ها
Machine LearningArtificial Intelligence FoundationsArtificial Intelligence (AI)One-Off
سرفصل ها
۰. مقدمه
- 01 - ارزش دیدن دارد - قدرت تخمین ارزش
- 02 - آنچه باید بدانید
- 03 - نحوه استفاده از Codespaces
۱. معرفی تخمین ارزش با یادگیری ماشین (ML)
- 04 - مروری بر تخمین ارزش
- 05 - کاوش و پاکسازی دادهها
- 06 - چالش - بارگذاری، کاوش و پاکسازی دادهها
- 07 - راهکار - بارگذاری، کاوش و پاکسازی دادهها
۲. ساخت یک مدل رگرسیون خطی
- 08 - مروری بر مدلهای رگرسیون خطی
- 09 - مدل قطار - رگرسیون خطی
- 10 - ارزیابی مدل - رگرسیون خطی
- 11 - پیشبینی کنید - رگرسیون خطی
- 12 - چالش - پیادهسازی یک مدل رگرسیون خطی
- 13 - راه حل - پیادهسازی یک مدل رگرسیون خطی
۳. ساخت یک مدل XGBoost
- 14 - مروری بر مدلهای XGBoost
- 15 - آموزش یک مدل - XGBoost
- 16 - ارزیابی یک مدل - XGBoost
- 17 - پیشبینی کنید - XGBoost
- 18 - چالش - پیادهسازی یک مدل XGBoost
- 19 - راهکار - پیادهسازی یک مدل XGBoost
۴. استقرار
- 20 - مرور کلی MLflow
- 21- خدمت به مدل
- 22 - چالش - استقرار مدل XGBoost
- 23 - راهکار - استقرار مدل XGBoost
نتیجهگیری
- 24 - مراحل بعدی در مسیر تخمین ارزش یادگیری ماشین شما
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی یادگیری ماشین و آمار فضایی در پایتون
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری نظارتشده
- دوره آموزشی یادگیری ماشین در مخابرات: از مبانی تا نمونههای واقعی
- دوره آموزشی Power BI: ترکیب هوش مصنوعی با دادهها
- دوره آموزشی آمادگی برای آزمون گواهینامه Microsoft Azure Data Scientist Associate (DP-100)