بهراد مظاهری
آموزش عملی پیش‌پردازش و نرمال‌سازی داده، رگرسیون، ماشین بردار پشتیبان و درخت تصمیم با پایتون و scikit-learn.
آماده‌سازی، پاک‌سازی و نرمال‌سازی داده‌ها با استفاده از ابزارهای scikit-learn.
پیادهسازی، آموزش و ارزیابی الگوریتم‌های رگرسیون و تنظیم فراپارامترهای آن‌ها.
ساخت مدل ماشین بردار پشتیبان با کرنل‌های مختلف و تنظیم پارامترهای C و gamma.
پیادهسازی، رسم و تفسیر درخت تصمیم با معیارهای آنتروپی، بهره اطلاعات و شاخص جینی.
1 ساعت ویدئو
گواهینامه مکتب‌خونه
دسترسی مادام‌العمر به محتوای دوره
پیش‌نیاز این دوره، گذراندن دوره «آموزش عملی پایتون تکمیلی با مثال آماده» است؛ در این دوره پیش‌نیاز، شرکت‌کنندگان با مفاهیم پیشرفته‌تر پایتون مانند توابع و ساختارهای داده به‌صورت عملی و از طریق مثال‌های آماده آشنا می‌شوند و در انتهای آن، کتابخانه‌های NumPy و Pandas به طور کامل و کاربردی آموزش داده می‌شود تا توانایی کار با آرایه‌های چندبعدی، عملیات برداری، سری‌ها و داده‌های جدولی، خواندن و ذخیره‌سازی داده‌ها، پاک‌سازی، فیلترگذاری و آماده‌سازی اولیه داده‌ها برای ورود به دوره یادگیری ماشین با scikit-learn فراهم گردد.
این دوره بر چهار محور اصلی پیش‌پردازش و نرمال‌سازی داده، الگوریتم‌های رگرسیون، ماشین بردار پشتیبان (SVM) و درخت تصمیم متمرکز است. در بخش پیش‌پردازش، مفاهیمی مانند پاک‌سازی داده، مقیاس‌گذاری، نرمال‌سازی و آماده‌سازی داده برای آموزش مدل با استفاده از ابزارهای scikit-learn آموزش داده می‌شود. سپس الگوریتم‌های رگرسیون معرفی و پیادهسازی می‌شوند و نحوه ارزیابی و تنظیم آن‌ها بررسی می‌گردد.
در ادامه، ماشین بردار پشتیبان با مفاهیم حاشیه سخت و نرم، کرنل‌های خطی، چندجمله‌ای، RBF و سیگموید و همچنین تنظیم فراپارامترهای C و gamma به‌صورت عملی ارائه می‌شود. در نهایت، درخت تصمیم با معیارهای آنتروپی، بهره اطلاعات، شاخص جینی و الگوریتم‌های ID3، C4.5، CART و CHAID همراه با پیادهسازی، رسم و تفسیر درخت آموزش داده می‌شود. در سراسر دوره، تمرکز بر پیادهسازی گام‌به‌گام با پایتون و scikit-learn، ارزیابی مدل‌ها و استفاده از GridSearchCV برای انتخاب بهترین پارامترهاست.
بر اساس امتیاز 3 دانشجو
پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهینامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.
کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.
مهندس بهراد مظاهری، فارغ‌التحصیل کارشناسی مهندسی کامپیوتر با گرایش نرم‌افزار و کارشناسی ارشد مهندسی کامپیوتر با گرایش هوش مصنوعی از دانشگاه خوارزمی است. او در طول دوران تحصیل، با بهره‌گیری از آموزش‌های تخصصی و پایه‌های علمی و ریاضیاتی دانشگاه خوارزمی، دانش خود را در زمینه هوش مصنوعی و یادگیری ماشین توسعه داده است. وی دروس کلیدی و بنیادین این حوزه، از جمله یادگیری ماشین و شناسایی الگو، را با نمره ۱۹ گذرانده و تسلط مناسبی بر مفاهیم ریاضی، آماری و الگوریتمی مورد استفاده در این حوزه به دست آورده است.
هدف مهندس مظاهری از ورود به عرصه آموزش، ایجاد پیوند میان دانش نظری دانشگاه و کاربردهای عملی آن در پروژه‌های واقعی است. او بر این باور است که یادگیری مفاهیم هوش مصنوعی زمانی اثربخش‌تر خواهد بود که در کنار مباحث نظری، با مثال‌های کاربردی و پروژه‌های عملی همراه شود. از همین رو، رویکرد آموزشی او بر ساده‌سازی مفاهیم تخصصی، آموزش گام‌به‌گام و استفاده از مثال‌های واقعی و قابل اجرا استوار است.
از مهم‌ترین زمینه‌های تخصصی و آموزشی مهندس مظاهری می‌توان به موارد زیر اشاره کرد:
هوش مصنوعی و یادگیری ماشین
شناسایی الگو و پردازش داده
برنامه‌نویسی و توسعه پروژه‌های کاربردی
آموزش مفاهیم هوش مصنوعی به صورت پروژه‌محور
پیوند مفاهیم نظری و ریاضیاتی با کاربردهای عملی
مهندس مظاهری با تکیه بر دانش دانشگاهی و تجربه در حوزه‌های تخصصی مهندسی کامپیوتر، تلاش می‌کند آموزش را از سطح صرفاً تئوری فراتر برده و آن را به مسیری عملی برای کسب مهارت و توانایی اجرای پروژه تبدیل کند. رویکرد او این است که با ایجاد یک پایه علمی مناسب و ارائه آموزش‌های ساده، کاربردی و پروژه‌محور، یادگیری هوش مصنوعی را برای علاقه‌مندان قابل‌فهم‌تر و دست‌یافتنی‌تر کند.
آموزش برنامه‌نویسی یادگیری ماشین با scikit-learn
