LinkedIn – Applied Machine Learning: Ensemble Learning 2025-2

دوره Applied Machine Learning: Ensemble Learning. برای علاقه‌مندان به تقویت مهارت‌های یادگیری ماشین طراحی شده است. این دوره، بدون نیاز به پیش‌زمینه علمی رسمی، مفاهیم اساسی یادگیری جمعی را پوشش می‌دهد و روش‌هایی مانند بگینگ، بوستینگ و استکینگ را آموزش می‌دهد. شرکت‌کنندگان با راهنمایی مدرس، مت هریسون، نحوه پیاده‌سازی این تکنیک‌ها را با کتابخانه‌های پایتون مانند scikit-learn و XGBoost فرا می‌گیرند و در پایان قادر خواهند بود مدل‌های کارآمدی برای مسائل واقعی بسازند. دوره با GitHub Codespaces ادغام شده است تا یک محیط توسعه ابری بدون نیاز به راه‌اندازی محلی ارائه دهد و امکان تمرین عملی در هر زمان و مکان را فراهم کند. برای آشنایی بیشتر با این محیط، بخش “استفاده از GitHub Codespaces” را مطالعه کنید.

آنچه فرا خواهید گرفت

• مفاهیم یادگیری جمعی: شرکت‌کنندگان با تعریف یادگیری جمعی و مشکل اورفیتینگ (overfitting) آشنا می‌شوند و ارتباط آن را با دنیای واقعی درک می‌کنند.
• انواع روش‌های جمعی: این دوره به بررسی انواع روش‌های جمعی مانند بگینگ و رندوم فارست (Random Forests) می‌پردازد و نحوه تنظیم پارامترها برای رندوم فارست را آموزش می‌دهد.
• بوستینگ و گرادیان بوستینگ (Gradient Boosting): مفاهیم بوستینگ، AdaBoost و گرادیان بوستینگ به همراه تنظیم هایپرپارامترها (Hyperparameter tuning) برای آن‌ها پوشش داده می‌شود.
• XGBoost: شرکت‌کنندگان با اهمیت XGBoost آشنا می‌شوند، نحوه کدنویسی عملی با آن را یاد می‌گیرند و به تنظیم هایپرپارامترها برای این مدل می‌پردازند.
• استکینگ (Stacking): مفهوم استکینگ، کدنویسی عملی با StackingClassifier و ارزیابی آن در مقابل مدل‌های فردی آموزش داده می‌شود.
• پیاده‌سازی با پایتون: در طول دوره، شرکت‌کنندگان یاد می‌گیرند که چگونه این روش‌ها را با استفاده از کتابخانه‌های محبوب پایتون مانند scikit-learn و XGBoost پیاده‌سازی کنند.
• حل چالش‌ها: چالش‌های عملی برای هر بخش ارائه می‌شود که به شرکت‌کنندگان کمک می‌کند مفاهیم آموخته شده را در عمل به کار گیرند.

این دوره مناسب افرادیست که

• تمایل دارند مهارت‌های خود را به عنوان یک متخصص یادگیری ماشین افزایش دهند.
• به دنبال درک و پیاده‌سازی روش‌های پیشرفته یادگیری جمعی هستند.
• می‌خواهند بدون نیاز به پیش‌زمینه رسمی در علم داده، وارد این حوزه شوند.
• قصد دارند مدل‌های یادگیری ماشین خود را برای وظایف دنیای واقعی بهینه‌سازی کنند.
• می‌خواهند با ابزارهای پرکاربرد پایتون مانند scikit-learn و XGBoost کار کنند.