آموزش جامع ماشین لرنینگ با پایتون؛ بابک نوری مقدم
بابک نوری مقدم در دورهٔ ماشین لرنینگ دانشجویار، یادگیری ماشین با پایتون رو از شناخت و آمادهسازی داده تا مدلسازی و ارزیابی پیش میبره.
قیمت اصلی: 6,900,000 تومان · قیمت طبقه منفی یک: 620,000 تومان
قیمت اصلی از صفحهٔ رسمی ناشر است؛ قیمت طبقه منفی یک هنوز تعیین نشده است.
یک فایل داده در اختیار دارید و میخواهید از آن پاسخ بگیرید، اما معلوم نیست قدم بعدی چیست. باید ابتدا نمودار بکشید، دادههای ناقص را اصلاح کنید یا سراغ آموزش مدل بروید؟ اگر هر بار از یک آموزش پراکنده شروع کنید، ممکن است دستورهای مختلفی را بشناسید، ولی هنوز رابطهٔ میان مسئله، آمادهسازی داده و انتخاب مدل برایتان روشن نباشد. یادگیری ماشین زمانی قابلفهمتر میشود که این مرحلهها را در امتداد یکدیگر ببینید و بدانید هر تصمیم، چه چیزی را در نتیجه تغییر میدهد.
مسیر این آموزش از مبانی علم داده و آمار به پایتون، NumPy و Pandas میرسد و بعد سراغ مصورسازی با Matplotlib، Seaborn، Plotly و Dash میرود. برای شما که میخواهید پیش از مدلسازی، داده را بشناسید، این ترتیب فرصت مهمی ایجاد میکند: میتوانید نوع متغیرها، پراکندگی، رابطهها و مقادیر مفقود را بررسی کنید. نمودار در این مرحله فقط برای ارائهٔ زیباتر نیست؛ بخشی از فرایند فهم مسئله و تصمیمگیری دربارهٔ آمادهسازی داده است. تمرینهای هر بخش نیز موضوع مشخصی برای استفاده از ابزارها در اختیارتان قرار میدهند.
پس از آمادهسازی داده، نوبت مقایسهٔ مدلها و بررسی نتیجه است. مباحث رگرسیون، دستهبندی، مدلهای درختی و یادگیری جمعی در کنار اعتبارسنجی متقابل، تنظیم ابرپارامترها و معیارهای ارزیابی مطرح شدهاند. پروژههایی مانند پیشبینی ریزش مشتری و تحلیل دادههای امتیازدهی فیلم، این مفاهیم را به مسئله وصل میکنند. اگر فقط اجرای مدل را یاد گرفته باشید، پرسش بعدی معمولاً این است که چرا باید به نتیجه اعتماد کنید؛ دنبالکردن مراحل ارزیابی کمک میکند پاسخ را در داده و روش بررسی جستوجو کنید.
بخشهای پایانی به پردازش متن، خوشهبندی، کاهش ابعاد و استقرار مدل با Flask و FastAPI میپردازند. این ادامه برای کسی کاربرد دارد که میخواهد رابطهٔ میان آزمایش در محیط پایتون و استفاده از نتیجه در یک برنامه را بشناسد. میتوانید هنگام مطالعه، یک سؤال تحلیلی مشخص را همراه خود نگه دارید و ببینید هر بخش چه بخشی از مسیر پاسخدادن به آن را پوشش میدهد. چنین رویکردی کمک میکند ابزارها را در کنار مسئلهای که قرار است حل کنند یاد بگیرید.
آخر دوره چی دستته
- آشنایی با آمار توصیفی و استنباطی و کاربرد آنها در تحلیل داده
- تمرین آمادهسازی و دستکاری داده با NumPy و Pandas و مدیریت دادههای مفقود و پرت
- تمرین مصورسازی و داشبوردهای تعاملی با Matplotlib، Seaborn، Plotly و Dash
- پیادهسازی و ارزیابی مدلهای رگرسیون و دستهبندی با پایتون و Scikit-Learn
- آشنایی با اعتبارسنجی متقابل، GridSearchCV و تنظیم ابرپارامترها
- تمرین پردازش متن و دستهبندی با Naive Bayes و TF-IDF
- تمرین خوشهبندی K-Means، سلسلهمراتبی و DBSCAN و کاهش ابعاد با PCA
- آشنایی با آمادهسازی مدل برای استقرار و ساخت API با Flask و FastAPI
سرفصلها
معرفی دوره ماشین لرنینگ با پایتون
- دموی دوره
- مسیر دوره و سرفصل ها
- نحوه دسترسی به منابع دوره
دنیای یادگیری ماشین و علم داده
- آشنایی با اصطلاحات (Buzz words) علم داده
- تفاوت میان Analysis و Analytics!؟
- معرفی مفاهیم Business Analytics و Data Analysis در علم داده
- داستان هوش تجاری، یادگیری ماشین و هوش مصنوعی
- 7 سوال اساسی برای انتخاب مسیر شغلی در 5 زمینه کاری علم داده
- 5 زمینه کاری اصلی در علم داده: کار با داده های مرسوم، کلان داده، هوش تجاری، علم داده مرسوم و یادگیری
- دلایل پشت پرده در هر کدام از زمینه های کاری
- تکنیک های مرتبط داده های مرسوم (Traditional Data)
- مثال دنیای واقعی از کاربرد داده های مرسوم
- متدها و روشهای مورد استفاده در کلان داده (Big Data)
- تکنیک های مورد نیاز در هوش تجاری (Business Intelligence)
- متدها مطرح در علم داده مرسوم
- مثال دنیایی واقعی از متدهای علم داده مرسوم
- آشنایی با تکنیک های یادگیری ماشین
- انواع روش های یادگیری ماشین
- مثال دنیای واقعی از کاربردهای یادگیری ماشین
- ابزارها و زبان های برنامه نویسی مورد نیاز در هر کدام از 5 زمینه کاری علم داده
- موقعیت ها و عناوین شغلی در علم داده
- برخی باورهای نادرست در زمینه علم داده!
آشنایی با مبانی آماری و آمار توصیفی
- معرفی علم آمار
- انواع داده ها در آمار
- آشنایی با سطوح اندازه گیری در آمار
- روش های مصورسازی داده های دسته ای
- متغیرهای عددی و مصورسازی با استفاده از توزیع فراوانی
- متغیرهای عددی و مصورسازی با هیستوگرام
- مصورسازی متغیرهای عددی با استفاده از جداول متقاطع و نمودار پراکندگی (Scatter Plot)
- آشنایی با معیارهای سنجش مرکزیت
- معیارهای سنجش عدم تقارن در داده: چولگی (Skewness)
- نحوه سنجش پراکندگی داده با استفاده از معیار واریانس
- نحوه سنجش پراکندگی داده با استفاده از انحراف معیار استاندارد و ضریب تغییرات (Coefficient of Variatio
- آشنایی با کوواریانس
- ضریب همبستگی (Correlation Coefficient)
آمار استنباطی
- عبارت "توزیع" (Distribution) به چه معناست؟
- معرفی توزیع نرمال
- توزیع نرمال استاندارد
- توضیحی بر قضیه حد مرکزی
- معرفی مفهوم خطای استاندارد
- تخمین زنندگان و مقادیر تخمینی
مرور سریع مفاهیم اولیه زبان برنامه نویسی پایتون
- نصب و راه اندازی آناکوندا (جدید)
- معرفی محیط Jupyter Notebook
- انواع داده ها در پایتون بخش اول
- آشنایی با نسخه جدید Jupyter Notebook و رفع خطای اجرا
- آشنایی با محیط برنامه نویسی ابری Google Colab (جدید)
- انواع داده ها در پایتون بخش دوم
- ساختارهای کنترلی و حلقه ها در پایتون
- توابع در پایتون
- تمرینات بخش پایتون
کار با کتابخانه NumPy
- معرفی آرایه های NumPy بخش اول
- معرفی آرایه های NumPy بخش دوم
- ایندکس گذاری و انتخاب مقادیر در آرایه های NumPy
- عملیات ها بر روی آرایه ها و ماتریس های NumPy
- شرح تمرینات بخش NumPy
- پاسخ تمرینات بخش NumPy
کار با کتابخانه Pandas (اکسل پایتون!)
- معرفی ساختار سری ها در Pandas
- ساخت DataFrame در Pandas بخش اول
- ساخت Data Frame در Pandas بخش دوم: ایندکس گذاری و انتخاب مقادیر
- انتخاب شرطی برروی دیتافریم های Pandas
- متدهای کاربردی Pandas برای انجام عملیات های گوناگون - بخش اول
- متدهای کاربردی Pandas برای انجام عملیات های گوناگون - بخش دوم
- مدیریت کردن مقادیر مفقود در Pandas - بخش اول
- مدیریت کردن مقادیر مفقود در Pandas - بخش دوم
- عملیات Group By و دیتافریم های چند ایندکسی در Pandas
- چگونه دیتا فریم ها را با هم دیگر ترکیب کنیم؟
- کار کردن با داده های متنی با استفاده از متدها
- کار کردن با داده های تاریخ و زمان
- نحوه خواندن و نوشتن دیتافریم ها از منابع ورودی و خروجی مختلف
- درک مفهوم و نحوه ایجاد جداول Pivot
- شرح تمرینات فصل Pandas
- پاسخ تمرینات فصل Pandas
اصول مصورسازی داده ها با کتابخانه Matplotlib
- آشنایی با کتابخانه Matplotlib برای مصورسازی داده ها در پایتون
- کار با اشکال در Matplotlib بخش اول
- کار با اشکال در Matplotlib بخش دوم
- ساخت زیر نمودارها (Subplots) در Matplotlib
- سبک دهی به نمودارها در Matplotlib
- نمودارهای پیشرفته در Matplotlib بخش اول (دستورات پیشرفته در شخصی سازی نمودارها)
- نمودارهای پیشرفته در Matplotlib بخش دوم ( Subplot2grid و Gridspec و ...)
- تمرینات پایانی فصل Matplotlib
مصورسازی داده ها با کتابخانه Seaborn
- رسم نمودارهای پراکندگی (Scatter Plots) با Seaborn
- رسم نمودارهای توزیع داده در Seaborn
- ترسیم نمودارهای آماری مرتبط با داده های دسته ای (Categorical) با Seaborn بخش اول
- ترسیم نمودارهای آماری مرتبط با داده های دسته ای (Categorical) با Seaborn بخش دوم
- نمودارهای توزیع داده های دسته ای (Categorical)
- ارائه نمودارهای مقایسه ای با Seaborn
- گریدبندی در Seaborn
- نمودارهای ماتریسی برای انجام مقایسه های جامع و سریع
- شرح تمرینات فصل Seaborn
- شرح راه حل تمرینات فصل Seaborn
استفاده از امکانات پیش فرض Pandas در مصورسازی
- آشنایی با متدهای Built-in کتابخانه Pandas در مصورسازی داده
- شرح تمرینات مصورسازی داده با متدهای Pnadas
- پاسخ تمرینات مصورسازی داده با متدهای Pnadas
مصورسازی و داشبوردهای Interactive با کتابخانه Plotly و Dash
- آشنایی با کتابخانه Plotly و منابع مطالعاتی
- ترسیم نمودار Pie Chart در Plotly
- نحوه ترسیم نمودار Bar Chart در Plotly بخش اول
- نحوه ترسیم نمودار Bar Chart در Plotly بخش دوم
- نمودارهای پراکندگی (Scatter Plot) در Plotly بخش اول
- نمودارهای پراکندگی (Scatter Plot) در Plotly بخش دوم
- نمودارهای پراکندگی سه بعدی (3D Scatter Plot) در Plotly
- آشنایی و ترسیم نمودارهای Sunburst
- ترسیم نمودارهای Box & Violin Plots در Plotly
- آشنایی و ترسیم نمودارهای سلسله مراتبی Icicle Charts
- آشنایی و ترسیم نمودارهای سلسله مراتبی Rader Charts
- نحوه ترسیم Strip/Dot Plot در Plotly
- کار کردن با Heatmap ها در Plotly بخش اول
- کار کردن با Heatmap ها در Plotly بخش دوم
- آشنایی با ساخت داشبوردهای تعاملی با Dash Plotly بخش اول
- آشنایی با ساخت داشبوردهای تعاملی با Dash Plotly بخش دوم
- آشنایی با ساخت داشبوردهای تعاملی با Dash Plotly بخش سوم
پروژه جامع مصورسازی داده تحلیل داده های فیک امتیازدهی برای فیلم ها
- شرح پروژه و سوالات تحلیل داده های فیک امتیازدهی برای فیلم ها
- پاسخ سوالات تحلیل داده های فیک امتیازدهی برای فیلم ها بخش اول
- پاسخ سوالات تحلیل داده های فیک امتیازدهی برای فیلم ها بخش دوم
- پاسخ سوالات تحلیل داده های فیک امتیازدهی برای فیلم ها بخش سوم
- پاسخ سوالات تحلیل داده های فیک امتیازدهی برای فیلم ها بخش چهارم
مباحث رگرسیون: رگسیون خطی ساده، رگرسیون چندجمله ای، رگرسیون LASSO، رگسیون Ridge و Elastic Net
- آشنایی با رگرسیون خطی
- درک مفهوم Ordinary Least Square (OLS)
- تعریف تابع هزینه برای گرادیان نزولی
- معرفی متد گرادیان نزولی برای حل مسئله رگرسیون خطی
- پیاده سازی رگرسیون خطی ساده از صفر در پایتون
- پیاده سازی رگرسیون خطی با متد گرادیان نزولی از صفر در پایتون بخش اول
- پیاده سازی رگرسیون خطی با متد گرادیان نزولی از صفر در پایتون بخش دوم
- آشنایی با کتابخانه Scikit-Learn
- پیاده سازی رگرسیون خطی با کتابخانه Scikit-Learn
- روش ها و معیارهای ارزیابی مدل های رگرسیون
- نمودارهای مقادیر باقیمانده و تفسیر آن
- تولید فایل خروجی و استقرار مدل رگرسیون خطی جهت استفاده در برنامه های دیگر
- رگرسیون چندجمله ای : تئوری و انگیزه
- رگرسیون چندجمله ای: تولید ویژگی های چندجمله ای
- رگرسیون چندجمله ای: آموزش و ارزیابی
- مفهوم تعادل سوگیری و واریانس (Overfitting VS Underfitting)
- حل مسئله انتخاب درجه مناسب برای رگرسیون چندجمله ای
- تولیدفایل خروجی و استقرار مدل رگرسیون چندجمله ای
- پیش درآمدی بر مفهوم Regularization: روش های L1، L2 و Elastic Net
- روش های مقیاس گذاری ویژگی (Feature Scaling)
- مفاهیم اعتبارسنجی متقابل : K-fold-Cross-Validation
- آماده سازی داده ها برای Regularization
- رگرسیون Ridge: تئوری و درک نظریه L2 Regularization
- پیاده سازی رگرسیون Ridge با پایتون
- رگرسیون LASSO: پس زمینه علمی L1 Regularization و پیاده سازی
- مرور مفاهیم و پیاده سازی Elastic Net
- معرفی پروژه پایانی رگرسیون (تکمیل پروژه در فصول بعدی خواهد بود)
مهندسی ویژگی ها و آماده سازی داده
- آشنایی با مباحث مهندسی ویژگی ها و مدیریت ویژگی های دسته ای
- مفاهیم مدیریت داده های پرت Outliers
- مدیریت داده های پرت Outliers با پایتون
- مواجهه با داده های مفقود Missing Values - بخش اول
- مواجهه با داده های مفقود Missing Values - بخش دوم
- مواجهه با داده های مفقود Missing Values - بخش سوم
- کدگذاری داده های دسته ای
اعتبارسنجی متقابل Cross-Validation، جستجوی گرید و پروژه نهایی رگرسیون خطی
- مفاهیم اولیه اعتبارسنجی متقابل: تقسیم به داده آموزش و آزمون
- مفاهیم اولیه اعتبارسنجی متقابل: تقسیم به داده آموزش، آزمون و اعتبارسنجی!
- اعتبارسنجی متقابل با متد K-Fold-CV-Score
- اعتبارسنجی متقابل با متد K-Fold-CV
- استفاده از متد GridSearchCV برای تنظیم ابرپارامترهای مدل های یادگیری ماشین
- شرح و حل پروژه نهایی رگرسیون خطی
رگرسیون لاجستیک
- آشنایی با رگرسیون لاجستیک
- تاریخچه و تئوری رگرسیون لاجستیک
- تبدیل رگرسیون خطی به رگرسیون لاجستیک - بخش اول
- تبدیل رگرسیون خطی به رگرسیون لاجستیک - بخش دوم
- پیدا کردن بهترین برازش برای رگرسیون لاجستیک و مفهوم Maximum Likelihood
- حل مسائل دسته بندی با رگرسوین لاجستیک با پایتون - بخش اول - کاوش در داده
- حل مسائل دسته بندی با رگرسوین لاجستیک با پایتون - بخش دوم - آموزش و ساخت مدل
- معرفی معیارهای ارزیابی نتایج دسته بندی - ماتریس تداخل (Confusion Matrix) و معیار دقت
- معرفی معیارهای ارزیابی نتایج دسته بندی - Recall، Precision و F1-Score
- معرفی معیارهای ارزیابی نتایج دسته بندی - نمودار ROC و معیار AUC
- ارزیابی نتایج دسته بندی با استفاده از Scikit-Learn
- حل مسائل چندکلاسه با رگرسیون لاجستیک - بخش اول
- حل مسائل چندکلاسه با رگرسیون لاجستیک - بخش دوم
- شرح پروژه رگرسیون لاجستیک - تشخیص بیماری قلبی
- حل پروژه رگرسیون لاجستیک - تشخیص بیماری قلبی
مدل K-نزدیکترین همسایگی (KNN)
- آشنایی با مدل KNN
- تئوری و بینش مدل KNN
- معیارهای فاصله، مزایا و معایت KNN
- پیاده سازی مدل KNN با Scikit-Learn
- یافتن مقدار مناسب برای K با استفاده تکنینک Elbow و ارزیابی متقابل و جستجوی گرید
- شرح پروژه KNN - تشخیص مین و سنگ با داده های سونار
- حل پروژه KNN - تشخیص مین و سنگ با داده های سونار
ماشین های بردار پشتیبان (Support Vector Machine SVM)
- معرفی ماشین بردار پشتیبانی
- تاریخچه توسعه ماشین های بردار پشتیبان
- مفاهیم ابرصفحه و حاشیه ها در ماشین های بردار پشتیبان
- توابع Kernel در ماشین های بردار پشتیبان
- استفاده از تکنیک Kernel در ماشین های بردار پشتیبان
- حل مسائل دسته بندی با ماشین های بردار پشتیبان - بخش اول
- حل مسائل دسته بندی با ماشین های بردار پشتیبان - بخش دوم
- استفاده از ماشین بردار پشتیبان در حل مسائل رگرسیون
- شرح پروژه ماشین های بردار پشتیبان - تشخیص تقلب در نوشیدنی ها
- حل پروژه ماشین های بردار پشتیبان - تشخیص تقلب در نوشیدنی ها
مدل های مبتنی بر ساختار درختی: یادگیری درخت های تصمیم
- معرفی درخت های تصمیم و تاریخچه توسعه آن
- مفاهیم پایه در درخت های تصمیم
- آشنایی با معیار ناخالصی Gini
- ساخت درخت تصمیم براساس معیار ناخالصی Gini - بخش اول
- ساخت درخت تصمیم براساس معیار ناخالصی Gini - بخش دوم
- پیاده سازی درخت های تصمیم در پایتون - بخش اول - کاوش داده
- پیاده سازی درخت های تصمیم در پایتون - بخش دوم -ساخت مدل
مدل های مبتنی بر ساختار درختی: جنگل تصادفی
- آشنایی با جنگل تصادفی
- تاریخچه و انگیزه توسعه مدل جنگل تصادفی
- مطالعه ابرپارامترهای مهم مدل جنگل تصادفی
- مطالعه ابرپارامترهای مهم مدل جنگل تصادفی : تعداد تخمینگر ها و تعداد ویژگی ها
- مطالعه ابرپارامترهای مهم مدل جنگل تصادفی : Bootstraping و OOB-Error
- مثالی از حل مسائل دسته بندی با مدل جنگل تصادفی - بخش اول
- مثالی از حل مسائل دسته بندی با مدل جنگل تصادفی - بخش دوم
- مثالی از حل مسائل رگرسیون با مدل جنگل تصادفی - بخش اول
- مثالی از حل مسائل رگرسیون با مدل جنگل تصادفی - بخش دوم
- مثالی از حل مسائل رگرسیون با مدل جنگل تصادفی - بخش سوم
مدل های یادگیری جمعی Ensemble Learning : مدل های AdaBoost و Gradient Boosting
- آشنایی با مفهوم Boosting
- تئوری و انگیزه توسعه مدل AdaBoost
- پیاده سازی مدل AdaBoost - بخش اول - کاوش داده
- پیاده سازی مدل AdaBoost - بخش دوم - ساخت مدل
- تئوری و انگیزه توسعه مدل Gradient Boosting
- پیاده سازی مدل Gradient Boosting
پروژه جامع یادگیری با نظارت – پیش بینی ریزش مشتریان Churn Prediction و تحلیل Cohort
- شرح پروژه جامع یادگیری با نظارت - پیش بینی ریزش مشتریان Churn Prediction و تحلیل Cohort
- حل پروژه جامع یادگیری با نظارت - پیش بینی ریزش مشتریان Churn Prediction - بخش اول - کاوش داده
- حل پروژه جامع یادگیری با نظارت - پیش بینی ریزش مشتریان Churn Prediction - بخش دوم - تحلیل Cohort
- حل پروژه جامع یادگیری با نظارت - پیش بینی ریزش مشتریان Churn Prediction - بخش سوم - ساخت مدل
پردازش زبان طبیعی و دسته بندی متون با Naive Bayes
- آشنایی با پردازش زبان طبیعی و دسته بندی متون با Naive Bayes
- قضیه Naive Bayes
- Naive Bayes برای دسته بندی
- استخراج ویژگی ها از داده متنی (Text)
- استخراج ویژگی های بصورت دستی از پایه
- محاسبه TF-IDF با استفاده از Scikit-Learn
- پردازش زبان طبیعی و دسته بندی متون -- بخش اول
- پردازش زبان طبیعی و دسته بندی متون -- ساخت مدل -- بخش دوم
- شرح پروژه پردازش زبان طبیعی و دسته بندی متون
- پاسخ پروژه پردازش زبان طبیعی و دسته بندی متون
یادگیری بدون نظارت و خوشه بندی K-Means
- آشنایی با مفاهیم یادگیری بدون نظارت
- مفهوم خوشه بندی در یادگیری ماشین
- معرفی الگوریتم خوشه بندی K-Means
- پیاده سازی الگوریتم خوشه بندی K-Means -- بخش اول
- پیاده سازی الگوریتم خوشه بندی K-Means -- بخش دوم
- پیاده سازی الگوریتم خوشه بندی K-Means -- بخش سوم
- کاهش حجم تصاویر با استفاده از Color Quantization و خوشه بندی K-Means -- بخش اول
- کاهش حجم تصاویر با استفاده از Color Quantization و خوشه بندی K-Means -- بخش دوم
- شرح پروژه خوشه بندی با K-Means
- پاسخ پروژه خوشه بندی با K-Means -- بخش اول
- پاسخ پروژه خوشه بندی با K-Means -- بخش دوم
- پاسخ پروژه خوشه بندی با K-Means -- بخش سوم
خوشه بندی سلسله مراتبی
- آشنایی با خوشه بندی سلسله مراتبی
- تئوری و پیشینه خوشه بندی سلسله مراتبی
- پیاده سازی خوشه بندی سلسله مراتبی -- بخش اول
- پیاده سازی خوشه بندی سلسله مراتبی -- بخش دوم
خوشه بندی مبتنی بر چگالی DBSCAN
- آشنایی با مفاهیم خوشه بندی مبتنی بر چگالی DBSCAN
- پیاده سازی DBSCAN با مثال تصویری از نحوه عملکرد
- مطالعه ابر پارامترهای مدل DBSCAN
- تنظیم ابر پارامترهای مدل DBSCAN
- شرح پروژه تشخیص داده پرت با DBSCAN
- پاسخ پروژه تشخیص داده پرت با DBSCAN
آشنایی با کاهش ابعاد و روش تحلیل مولفه های اصلی PCA
- آشنایی با روش های کاهش ابعاد
- روش تحلیل مولفه های اصلی PCA - تئوری و مفاهیم - بخش اول
- روش تحلیل مولفه های اصلی PCA - تئوری و مفاهیم - بخش دوم
- مثال عددی از روش PCA
- پیاده سازی دستی روش PCA
- پیاده سازی PCA با استفاده از کتابخانه Scikit-Learn
- شرح پروژه عملی PCA
- پاسخ پروژه عملی PCA
استقرار مدل های یادگیری ماشین آموزش دیده در محیط عملیاتی Model Deployment
- مفاهیم پایه در استقرار مدل های یادگیری ماشین
- تثبیت مدل های یادگیری ماشین جهت استقرار
- مقاهیم توسعه API برای استقرار مدل های یادگیری ماشین
- ساخت API برای استقرار مدل های یادگیری ماشین با فریمورک Flask
- ساخت API برای استقرار مدل های یادگیری ماشین با فریمورک Fast-API
مدرس
دکتر بابک نوری مقدم · متخصص برنامهنویسی پایتون و توسعهدهندهٔ هوش مصنوعی
مناسب کیه
- علاقهمندان به هوش مصنوعی، یادگیری ماشین و تحلیل داده
- علاقهمندان به هوش تجاری و تحلیل کسبوکار
- پژوهشگران و دانشجویان تحصیلات تکمیلی با نیاز به استفاده از یادگیری ماشین در پژوهش
- برنامهنویسان پایتون که میخواهند وارد حوزهٔ یادگیری ماشین شوند
ثبتنام و خرید فقط از سایت و ربات انجام میشود.