ماشین لرنینگ کاربردی

• چرا ماشین لرنینگ؟

مدل‌های هوش مصنوعی در حال دگرگون کردن شیوه کار در سازمان‌ها هستند و نقش یادگیری ماشین در تصمیم‌گیری‌های داده‌محور هر روز پررنگ‌تر می‌شود. درک سازوکار و منطق پشت این مدل‌ها به شما کمک می‌کند تا تکنیک‌های یادگیری ماشین را به‌درستی فراگرفته و آنها را به شکلی مؤثر در فرایندهای کاری خود به کار بگیرید.

در این دوره، مت هریسون، متخصص یادگیری ماشین و هوش مصنوعی، شما را گام‌به‌گام با مبانی یادگیری ماشین در پایتون آشنا می‌کند و نشان می‌دهد چگونه می‌توان از داده‌ها برای ساخت مدل‌های هوشمند و کاربردی استفاده کرد.

1. در طول این دوره با موضوعات زیر آشنا خواهید شد:
2. مبانی طراحی و توسعه یک اپلیکیشن مبتنی بر یادگیری ماشین از ابتدا تا انتها
3. روش‌های کاوش، پاک‌سازی و پردازش داده‌ها برای آماده‌سازی مدل
4. نحوه ایجاد، ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین
5. استقرار و مدیریت مدل‌ها با استفاده از ابزار MLflow

همچنین در پایان هر بخش تمرین‌های عملی ارائه می‌شود تا بتوانید مهارت‌های کدنویسی و درک مفاهیم یادگیری ماشین را به‌صورت عملی تقویت کنید.

این دوره یک راهنمای جامع و کاربردی برای ورود به دنیای یادگیری ماشین با پایتون و توسعه مدل‌های واقعی و قابل استفاده در محیط‌های کاری است.

اهداف آموزشی

در پایان این دوره، شرکت‌کنندگان قادر خواهند بود:

• مفاهیم و اصول پایه یادگیری ماشین و کاربرد آن در محیط‌های کاری را توضیح دهند.
• یک اپلیکیشن یادگیری ماشین را از مرحله دریافت داده تا تولید خروجی نهایی طراحی و پیاده‌سازی کنند.
• داده‌ها را برای استفاده در مدل‌های یادگیری ماشین کاوش، پاک‌سازی و پیش‌پردازش کنند.
• مدل‌های یادگیری ماشین را با استفاده از زبان پایتون ایجاد، ارزیابی و بهینه‌سازی کنند.
• عملکرد مدل‌ها را تحلیل کنند و مدل مناسب را بر اساس معیارهای ارزیابی انتخاب نمایند.
• مدل‌های یادگیری ماشین را با استفاده از ابزارهایی مانند MLflow مستندسازی و مستقر کنند.