Udemy – Machine Learning in Python: 43 Algorithms Commonly Used 2026-10

در تاریخ: 1405/08/14 7:07:51

توضیحات

Machine Learning in Python: 43 Algorithms Commonly Used دوره آموزشی آشنایی با الگوریتم‌های پرکاربرد یادگیری ماشین و کاربردهای واقعی آن‌ها می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. در این دوره یاد می‌گیرید چگونه تکنیک‌های یادگیری ماشین را با استفاده از پایتون و کتابخانه‌های محبوب پیاده‌سازی کنید و درک خود را از اصول ریاضی و منطق پشت مدل‌های مختلف تقویت کنید. با الگوریتم‌های اساسی یادگیری نظارت‌شده از جمله رگرسیون خطی، رگرسیون لجستیک، درخت‌های تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و k نزدیک‌ترین همسایه آشنا می‌شوید، در کنار روش‌های یادگیری بدون نظارت مانند خوشه‌بندی و کاهش ابعاد. تکنیک‌های پیش‌پردازش داده، انتخاب ویژگی، آموزش مدل، ارزیابی و بهینه‌سازی عملکرد را بررسی می‌کنید و یاد می‌گیرید چگونه الگوریتم مناسب را برای مسائل مختلف انتخاب کنید. در طول دوره، یاد می‌گیرید چگونه الگوریتم درست را برای یک مسئله انتخاب کنید و این انتخاب را با استفاده از یک چارچوب پنج‌سؤالی که روی تمام ۴۳ الگوریتم اعمال می‌شود، توجیه کنید.

تمام ۴۳ الگوریتم یادگیری ماشین را در پایتون با استفاده از scikit-learn، XGBoost، LightGBM، CatBoost و PyTorch می‌سازید و مقایسه می‌کنید، هرکدام از طریق یک نوت‌بوک قابل اجرا. همچنین دو پروژه کامل و سرتاسری را تحویل می‌دهید: یک کارت امتیازدهی ریسک اعتباری با حاکمیت مشخص، و یک سیستم تشخیص تقلب کارت بلادرنگ همراه با صف هشدار، پایش drift و کدهای دلیل. یاد می‌گیرید چگونه خطاهایی را که به‌آرامی مدل‌ها را خراب می‌کنند تشخیص دهید—نشت داده، عدم کالیبراسیون، drift و معیارهایی که ظاهراً سالم به نظر می‌رسند اما در واقع در مهم‌ترین بخش‌ها شکست کامل را پنهان می‌کنند. از طریق مثال‌های عملی و کدنویسی دست‌به‌کار، توانایی ساخت مدل‌های پیش‌بینی، تحلیل مجموعه‌داده‌ها و استخراج بینش‌های معنادار از داده‌ها را به دست می‌آورید. چه توسعه‌دهنده پایتون، دانشمند داده نوظهور، دانشجو یا علاقه‌مند به فناوری باشید، این دوره پایه‌ای ارزشمند برای درک و به‌کارگیری الگوریتم‌های یادگیری ماشین در چالش‌های واقعی ارائه می‌دهد.

آنچه در دوره Machine Learning in Python: 43 Algorithms Commonly Used یاد خواهید گرفت:

انتخاب الگوریتم درست برای یک مسئله و توجیه آن با استفاده از یک چارچوب پنج‌سؤالی که روی تمام ۴۳ الگوریتم اعمال می‌شود.
ساخت و مقایسه ۴۳ الگوریتم یادگیری ماشین در پایتون با scikit-learn، XGBoost، LightGBM، CatBoost و PyTorch، هرکدام از طریق یک نوت‌بوک قابل اجرا.
تحویل دو پروژه کامل و سرتاسری: یک کارت امتیازدهی ریسک اعتباری با حاکمیت مشخص، و یک سیستم تشخیص تقلب کارت بلادرنگ با صف هشدار، پایش drift و کدهای دلیل.
شناسایی خطاهایی که به‌آرامی مدل‌ها را خراب می‌کنند—نشت داده، عدم کالیبراسیون، drift و معیارهایی که ظاهراً سالم هستند اما شکست کامل را پنهان می‌کنند.
و …

مشخصات دوره

ناشر: یودمی
مدرس: Real Numbers
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 111
مدت زمان آموزش: 18 ساعت و 39 دقیقه

سرفصل های دوره

پیش نیازهای دوره Machine Learning in Python: 43 Algorithms Commonly Used

Ability to read Python — you do not need to be fluent, and every notebook runs top to bottom unmodified
School-level algebra. No calculus or linear algebra background is assumed
A laptop that can install Python 3.10 or later. Everything runs on CPU — no GPU required anywhere
No prior machine learning experience; Sections 1 and 2 build the vocabulary from scratch