آموزش اجرای یک پروژه یادگیری ماشین با پایتون

در این فصل اجرای پروژه یادگیری ماشین با پایتون را از صفر تا صد بررسی می‌کنیم. ما در این فصل به ابزاری که می‌توان با آن کار کرد می‌پردازیم. در ادامه مسیر پروژه را تعریف خواهیم کرد. همچنین شروع کار با داده‌ها را خواهیم داشت. در ادامه به کشف و تجسم داده‌ها و به آماده سازی داده‌ها برای الگوریتم پرداخته خواهد شد.

مهم ترین قسمت پروژه انتخاب و آموزش یک مدل خواهد بود. آموزش ارزیابی مدل را بررسی خواهیم کرد. در ادمه مسیر انتخاب مدل بهینه و تحلیل بهترین مدل و خطاهای آن را داریم. در نهایت ارزیابی مدل با تست ست و همچنین نکته هایی درباره اجرا و پایش مدل و جمع بندی را خواهیم داشت.

برای مشاهده خروجی این فصل حتماً فیلم معرفی دوره در بالای این صفحه را ببینید.

+ پیش از این آموزش یادگیری ماشین از صفر در هم‌رویش منتشر شد. برای دیدن فیلم معرفی این آموزش می‌توانید بر روی این لینک(+) بزنید و یا به صفحه این آموزش مراجعه کنید. بر روی عکس زیر کلیک کنید:

اهمیت این فصل

این فصل برای شما چندین دستاورد دارد:

• با زبان پایتون دریک پروژه واقعی آشنا خواهید شد.
• با صفر تا صد یک پروژه یادگیری ماشین روبرو می‌شوید.
• شروع کار با داده‌ها  و کشف و تجسم داده‌ها را خواهید آموخت.
• آماده سازی داده‌ها برای الگوریتم و انتخاب و آموزش یک مدل و همچنین آموزش ارزیابی مدل را می‌توانید بیاموزید.
• درباره انتخاب مدل بهینه و همچنین تحلیل بهترین مدل و خطاهای آنها آگاه می‌شوید.
• ارزیابی مدل با تست ست و در نهایت در مورد نکته‌هایی درباره اجرا و پایش مدل آگاهی پیدا خواهید کرد.

این فصل در یک نگاه

در آغاز این فصل به معرفی ابزار پرداخته خواهد شد. سپس شروع کار با داده‌ها، کشف، تجسم و داده‌ها بررسی می‌شود. بعد از آن به آماده سازی داده‌ها برای الگوریتم خواهیم پرداخت. سپس انتخاب و آموزش یک مدل و آموزش ارزیابی مدل را بررسی خواهیم کرد. انتخاب مدل بهینه، تحلیل بهترین مدل و خطاهای آن بررسی می‌شود.

در نهایت ارزیابی مدل بر روی تست ست و نکته‌هایی درباره اجرا و پایش مدل بررسی می‌شود. در گام آخر نیز جمع‌بندی از کل دوره انجام می‌شود.

این آموزش بی نظیر است زیرا:

• در یک گام با ابزار و تعریف پروژه آشنا خواهید شد.
• شروع کار با داده ها،کشف و تجسم داده‌ها را فراخواهید گرفت.
• در مدت زمان کوتاهی با آماده سازی داده‌ها برای الگوریتم و انتخاب و آموزش یک مدل آشنا خواهید شد.
• به زبان ساده و روان با آموزش ارزیابی مدل، انتخاب مدل بهینه، تحلیل بهترین مدل و خطاهای آن آشنا خواهید شد.
• در مدت زمان کوتاه و به زبان ساده به ارزیابی مدل با تست ست و نکته‌هایی درباره اجرا و پایش مدل پرداخته خواهد شد.

کلیدواژگان

ماشین لرنینگ با پایتون | پروژه ماشین لرنینگ با پایتون | آموزش ماشین لرنینگ با پایتون | آموزش یادگیری ماشین با پایتون | اموزش یادگیری ماشین با پایتون | آموزش ماشین لرنینگ با پایتون | انجام پروژه یادگیری ماشین با پایتون | انجام پروژه یادگیری ماشین با پایتون | آموزش اجرای پروژه یادگیری ماشین با پایتون | اجرای پروژه یادگیری ماشین با پایتون

ریز محتوای فیلم‌ها

درس 0 : پیش بینی قیمت مسکن با استفاده از یادگیری ماشین

• مروری به آموزش
• پیشنیاز آموزش
• مرجع آموزش

درس1: نگاهی به ابزار (ژوپیتر) و مساله

• نگاهی به ابزار
• نگاهی به مساله

درس 2:تعریف پروژه (به تصویر بزرگ نگاه کنید)

• خطوط لوله (Pipe Line)
• جمع بندی خطوط لوله یادگیری ماشین برای سرمایه گذاری مسکن
  معیار عملکرد :
  1-خطای جذر میانگین مربعات
  2- خطای میانگین مطلق
• مثال
• بررسی فرضیات
• جمع بندی

درس 1-3: شروع کار با داده ها

• داده ها را دانلود کنید

درس 2-3: نمایش داده ها

• نمایش داده :
  1- ایجاد دیتا فریم روی دیتا ها
  2- هیستوگرام

درس 3-3 : ایجاد مجموعه آموزشی

• سوگیری جاسوسی داده ها
• ایجادمجموعه آموزشی
  1- کتابخانه Numpy
  2- کتابخانه sklearn
• مثال نظر سنجی
• نمونه گیری طبقه ای

درس 1-4 : کشف و تجسم داده ها

• کشف و تجسم داده ها

درس 2-4 : ارتباط بین ویژگی ها

• ضریب همبستگی ( Correlation)
• استفاده از کتابخانه Pandas

درس 3-4 : ترکیب ویژگی ها

• ترکیب ویژگی ها

درس 1-5 : آماده سازی داده ها

• آماده سازی داده ها:
  1-دستی
  2- استفاده از توابع
• چالش الگوریتم های یادگیری ماشین
• رفع چالش
  1- حذف نمونه‌ها
  2- حذف کل فیچر
  3- پر کردن آن مقادیر با صفر میانگین میانه

درس 2-5: کار با فیچر های رشته ای

• چالش الگوریتم های یادگیری ماشین
• رفع چالش

درس 3-5: تغییر مقیاس فیچر ها

• مقیاس فیچر ها
• روش های تغییر مقیاس :
  1- Min-Max scaling
  2- Standardization

درس 4-5: ایجاد پایپلاین برای انجام تغییرات

• چیست؟Pipeline
• خطوط لوله (PipeLine)
• ترنسفورمر های سفارشی

درس1-6 : انتخاب و آموزش یک مدل

• معروف ترین الگوریتم های یادگیری بانظارت
  انتخاب مدل :
  1- Linear Regression
  2- DecisionTree
• Linear Regression
• مثال
• معیار عملکرد
  1- خطای جذر میانگین مربعات (RMSE )
  2-خطای میانگین مطلق (MAE )

درس2-6: انتخاب و آموزش یک مدل

• انتخاب مدل :
  1- Linear Regression
  2- DecisionTree
• DecisionTree
• مثال

درس1-7: آموزش ارزیابی مدل

• روش‌های ارزیابی مدل:
  1- اعتبار سنجی متقابل (Cross Validation)
  2- K-fold Cross Validation
  3- اعتبار سنجی نگهداری (Hold out Cross Validation)

درس 2-7: آموزش ارزیابی مدل

• انتخاب مدل
• Random forest
• تکنیک bagging در یادگیری جمعی
• مزایای جنگل تصادفی
• معایب جنگل تصادفی

درس 8: انتخاب مدل بهینه

• پارامتر و هایپر پارامتر
• بهتر کردن مدل :
  1- Randomized Search
  2- Grid Search
  3- Ensemble Method

درس 9: تحلیل بهترین مدل و خطاهای آنها

• مدل های اعمال شده بر روی فیچرها
• اهمیت ویژگی یا feature importance

درس 10 : ارزیابی مدل با تست ست

• ارزیابی مدل با تست ست

درس 11: نکته هایی درباره اجرا و پایش مدل

• راه اندازی مدل :
  joblib -1
  2-سرور اختصاصی
  3- فضای ابری
• مانیتور کردن عملکرد مدل
• نگهداری از مدل

درس 12: جمع بندی