00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به 23 جلسه نمونه از دوره
  • دسترسی به 23 جلسه نمونه از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوا
199,000 تومان
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
289,000 تومان
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش یادگیری ماشین

دوره‌های مکتب‌پلاس
60 ساعت
92٪ (1304 رای)

چکیده آنچه که در دوره آموزش یادگیری ماشین (Machine Learning) خواهید آموخت

اگر قصد دارید یک دوره یادگیری ماشین بگذرانید، کافی است کمی در اینترنت جستجو کنید. تعداد دوره‌ها اینقدر زیاد هستند که چندسالی لازم دارید تا از ابتدا تا مقطع قابل قبولی را طی کنید. شاید به ندرت دوره جامعی را پیدا کنید که این سه نکته را در اختیار شما بگذارد:

1.     آموزش ریاضیات و تئوری الگوریتم‌ها در کنار پیاده‌سازی و کاربرد هر کدام از آن‌ها

2.     توسعه و Deploy اپلیکشین‌های مبتنی بر Machine learning

3.     امکان بهره‌گیری از روش‌های سریعتر یادگیری ماشین مانند Pycaret

ما در این دوره، هم بر آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تاکید داریم هم بر نحوه استفاده از این الگوریتم‌ها در سطح کد به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و به صورت اولیه، در بستر وب سرویس‌دهی کنید.

بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین در کار خود کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی بردارید.

 

هدف از یادگیری دوره آموزش یادگیری ماشین (Machine Learning) چیست؟

یادگیری ماشین، بدون شک به عنوان یکی از برترین فناوری‌های برتر به ویژه در دنیای امروز به‌شمار می‌رود. در دنیایی که روزبه‌روز با تولید انواع مختلف داده روبرو هستیم نیاز به اتوماتیک کردن کارهای تکراری با استفاده از سیستم‌های کامپیوتری، بیش از پیش احساس می‌گردد و در روزگاری نه چندان دور، به عضوی جدانشدنی بدل خواهد شد. سیستمی که بتواند یاد بگیرد و مانند انسان تحلیل کند، قادر خواهد بود تا ارزش افزوده خارق‌العاده‌ای را برای هر سازمان و فعالیتی، فراهم نماید.

به همین دلیل، در این روزها شاهد رشد نمایی شغل‌های مربوط به تحلیل داده و یادگیری ماشین هستیم و این فرصتی مغتنم جهت رشد و بهبود شرایط در هر کشوری به شمار می‌رود. در انتهای این دوره شما قادر خواهید بود تا سامانه خود را با الگوریتم‌های یادگیری ماشین توسعه داده و به اصطلاح Deploy نمایید.

 

دوره آموزش یادگیری ماشین (Machine Learning) مناسب چه کسانی است؟

  • اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین دارید.
  • اگر بنیان‌گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین در بهبود ایده استارتاپی خود دارید.
  • اگر قصد دارید تا محصول نهایی خود را Deploy نمایید.
  • اگر دانشجو یا محقق هستید و قصد دارید با تسلط بیشتر، چه از نظر تئوری و کدنویسی از یادگیری ماشین استفاده کنید.
  • اگر تمایل دارید تا در فرصت‌های شغلی با عنوان Machine learning Engineer یا Data Scientist در داخل یا خارج از ایران، امتیاز بیشتری را با توجه به تسلط در یادگیری ماشین اخد نمایید.

 

ویژگی‌های متمایز دوره آموزش یادگیری ماشین (Machine Learning) چیست؟

این دوره توسط افرادی تدریس شده است که علاوه بر سابقه ممتاز در بخش آکادمیک، سابقه فعالیتی درخشانی در صنعت داشته که در نهایت، این دوره به شما کمک خواهد کرد تا بتوانید علاوه بر دانش تئوری، نحوه پیاده‌سازی و اجرا را هم فرابگیرید تا در ادامه این دوره، به صورت کاملاً عملی و تجاری وارد صنعت شوید.

این دوره آموزشی حاصل سال ها تجربه تدریس در دانشگاه‌ها و آموزشگاه‌های معتبر داخلی و نیز فعالیت در صنعت هوش‌مصنوعی در کشور بوده و با هدف کاربردی‌بودن در سناریوهای دنیای واقعی مطرح شده است. این دوره آموزشی، کاملاً پروژه محور بوده و مباحث تئوری یادگیری ماشین با ظرافت هرچه تمام تدریس شده است. در پایان هر فصل با انجام پروژه‌‎ با داده‌های واقعی و نیز داده‌های مسابقات Kaggle، آموخته‌های خود را در دنیای واقعی محک خواهید زد.

 

بعد از فراگیری دوره آموزش یادگیری ماشین (Machine Learning)، چه مهارت‌هایی کسب خواهید کرد؟

بعد از گذراندن این دوره، قادر خواهید بود تا الگوریتم‌های یادگیری ماشین را بر روی داده‌های واقعی پیاده‌سازی و اجرا نمایید. یکی از نقاط قوت این دوره این است که در نهایت شما را به سمت تولید محصول مبتنی بر یادگیری ماشین راهنمایی می‌کند. 

  • آشنایی کامل با ابزارهای یادگیری ماشین در پایتون
  • آشنایی کامل با کتابخانه (NumPy)
  • آشنایی کامل با کتابخانه (Pandas)
  • آموزش نحوه بصری‌سازی داده‌ها (Matplotlib & Seaborn)
  • پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از کتابخانه (Scikit-learn)
  • نحوه استفاده از Kaggle Kernel و Google Colab
  • نحوه Deploy نمودن مدل نهایی با استفاده از Streamlit
  • استفاده از روش‌های Automl و آموزش Pycaret
     

ویژگی های متمایز دوره آموزش یادگیری ماشین (Machine Learning)، مکتب‌پلاس چیست؟

روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین (Machine Learning)، ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است:

  • کدهای مربوط به الگوریتم‌های یادگیری ماشین، قدم به قدم با استفاده از کتابخانه‌های مربوطه توضیح داده می‌شود.
  • راه‌حل‌های استفاده از الگوریتم‌های یادگیری ماشین در مسایل تجاری بررسی شده و یک سیستم عملیاتی کامل جهت اجرا در وبسایت و اپلیکیشن شما ساخته می‌شود.
  • مراحل Deploy نمودن و توسعه محصول مبتنی بر یادگیری ماشین آموزش داده خواهد شد.

سرفصل‌های دوره آموزش یادگیری ماشین

فصل اول: مقدمه
00:42 ساعت
00:39
Combined Shape Created with Sketch. 5 جلسه
بارم:
1%
نمایش جلسات فصل  
  • در این فصل با مقدمات یادگیری ماشین (Machine learning) آشنا خواهیم شد. در ابتدا به انواع مختلف یادگیری ماشین بر اساس داده‌ها می‌پردازیم. داده‌ها با توجه به این‌که برچسب داشته باشند یا بدون برچسب باشند روال آموزش مدل ما و سناریوهای یادگیری ماشین را مشخص می‌کنند. یادگیری باناظر (Supervised Learning) و یادگیری بدون ناظر (Unsupervised Learning) از این روش‌ها به شمار می‌روند که در این دوره به صورت کامل در مورد آن‌ها صحبت خواهیم کرد. سپس به نحوه دانلود و نصب Anaconda Navigator و چگونگی کار با Jupyter Notebook می‌پردازیم.
  • لازم به ذکر است، اگر با زبان برنامه‌نویسی پایتون آشنا نیستید لطفاً زمانی را جهت آموزش آن اختصاص دهید تا این دوره را با سرعت و تسلط بیشتری ادامه بدهیم.
یادگیری‌ماشین و انواع آن
"15:54
کوییز یادگیری‌ماشین و انواع آن
66.7%
     
"02:00
نقشه‌ی راه یادگیری‌ماشین با پایتون
"06:04
راهنمای نصب Anaconda Navigator
"17:40
کوییز راهنمای نصب Anaconda Navigator
33.3%
     
"01:00
فصل دوم: کتابخانه‌های پیش نیاز پایتون
01:24 ساعت
01:16
Combined Shape Created with Sketch. 12 جلسه
بارم:
4%
نمایش جلسات فصل  

یکی از دلایل اصلی جهت انتخاب پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین، وجود طیف گسترده‌ای از کتابخانه‌ها و پکیج‌های مختلف می‌باشد که قبل از شروع به یادگیری یادگیری ماشین، بهتر است با این کتابخانه‌ها آشنا شویم. 
ابتدا به سراغ کتابخانه Numpy خواهیم رفت که جهت کار با آرایه‌ها و ماتریس‌ها خواهد بود.
سپس کتابخانه Pandas را مورد کنکاش قرار می‌دهیم که ابزار اصلی ما در EDA و تحلیل اولیه دیتاست می‌باشد. به سراغ اولین دیتاست خواهیم رفت و لیست مسافرین کشتی تایتانیک را تحلیل می‌کنیم.

Numpy – بخش اول
"10:33
Numpy – بخش دوم
"11:57
کوییز اول Numpy
25.0%
     
"02:00
Numpy – بخش سوم
"06:48
کوییز دوم Numpy
25.0%
     
"02:00
مختصری در مورد Kaggle و مساله Titanic
"02:24
Pandas – بخش اول
"10:47
کوییز اول Pandas
25.0%
     
"02:00
Pandas – بخش دوم
"10:17
Pandas – بخش سوم
"12:00
نحوه کار با loc و iloc
"11:27
کوییز دوم Pandas
25.0%
     
"02:00
فصل سوم: نحوه بصری‌سازی در پایتون
05:36 ساعت
00:35
Combined Shape Created with Sketch. 6 جلسه
بارم:
8%
نمایش جلسات فصل  

بصری‌سازی (Visualization) یکی از مهم‌ترین مراحل تحلیل داده می‌باشد. بدون این مرحله گویا با چشمان بسته دل به جاده یادگیری ماشین زده‌اید و داستان‌سرایی (Storytelling) که از زیباترین گام‌های تحلیل داده می‌باشد را کنار گذاشته‌اید. ما در این فصل به بررسی و آموزش کتابخانه‌های Matplotlibو Seaborn می‌پردازیم و دیتاست (Tips) که مربوط به انعام‌های یک رستوران می‌باشد را تحلیل می‌کنیم.

Matplotlib و Seaborn - بخش اول
"12:06
Seaborn – بخش دوم
"11:30
کوییز Seaborn - بخش اول
11.8%
     
"01:00
Seaborn – بخش سوم
"11:49
کوییز Seaborn - بخش دوم
5.9%
     
تمرین اول _ داده‌های برنامه‌های Google Play

 (الزامی)

82.4%
     
"300:00
فصل چهارم: رگرسیون خطی (Linear Regression)
01:32 ساعت
01:28
Combined Shape Created with Sketch. 10 جلسه
بارم:
2%
نمایش جلسات فصل  

در رگرسیون، هدف نهایی پیش‌بینی مقادیر یک متغیر وابسته بر اساس مقادیر یک یا چند متغیر مستقل است که برای این منظور باید رابطه بین این متغیرها مشخص باشد، اما چون از ماهیت رابطه واقعی بین این متغیرها اطلاعی نداریم، تلاش بر این خواهد بود که رابطه واقعی را با یک رابطه خطی تقریب بزنیم و از این رابطه خطی برای اهداف پیش‌بینی استفاده کنیم. رگرسیون خطی بهترین گزینه برای شروع یادگیری ماشین و فهم نحوه کارکرد آن خواهد بود. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند، از آن در پیش‌بینی قیمت خانه از آن استفاده می‌کنیم.

رگرسیون خطی
"11:31
کوییز رگرسیون خطی
25.0%
     
"01:00
گرادیان کاهشی
"14:57
گرادیان کاهشی در رگرسیون خطی
"11:32
کوییز گرادیان کاهشی در رگرسیون خطی
50.0%
     
"02:00
دست به کُد – بخش اول
"10:34
دست به کُد – بخش دوم
"11:22
دست به کُد – بخش سوم
"14:26
معیارهای ارزیابی مسایل رگرسیون
"13:50
کوییز دوم رگرسیون خطی
25.0%
     
"01:00
فصل پنجم: رگرسیون خطی چندمتغیره (Multivariable Linear Regression)
01:00 ساعت
00:59
Combined Shape Created with Sketch. 7 جلسه
بارم:
0%
نمایش جلسات فصل  

اگر رابطه خطی بین یک متغیر پاسخ و یک متغیر مستقل برقرار شود، تکنیک رگرسیون را رگرسیون خطی ساده یا Simple Linear Regression می‌نامند ولی در صورت به کارگیری چندین متغیر مستقل، آن را رگرسیون چندگانه یا Multiple Linear Regression می‌گویند. هم‌چنین روش دیگری براساس چند متغیر پاسخ و مستقل نیز به کار گرفته می‌شود که به آن رگرسیون چند متغیره یا Multivariable Regression گفته شده و بیش از یک متغیر پاسخ مورد تحلیل و مدل‌سازی قرار می‌گیرد. در این فصل نیز با استفاده از کتابخانه محبوب Scikit-learn به پیاده‌سازی و آموزش مدل خواهیم پرداخت.

رگرسیون خطی چندمتغیره
"10:50
رگرسیون چند جمله‌ای
"09:56
کوییز رگرسیون خطی چند متغیره
100.0%
     
"01:00
دست به کُد – بخش اول
"12:03
دست به کُد – بخش دوم
"08:01
دست به کُد – بخش سوم
"10:28
دست به کُد – بخش چهارم
"08:19
فصل ششم: رگرسیون لجستیک (Logistic Regression)
07:16 ساعت
02:13
Combined Shape Created with Sketch. 16 جلسه
بارم:
8%
نمایش جلسات فصل  

در این فصل به بررسی یکی از معروف‌ترین روش‌های Classification خواهیم پرداخت. رگرسیون لجستیک برخلاف نامش یکی از روش‌های طبقه‌بندی به شمار می‌رود که برای تحلیل رابطه بین متغیرها، بررسی و ایجاد مدل رابطه از تابعی به نام Logistic Function استفاده می‌شود. به همین علت این روش را رگرسیون لجستیک می‌نامند. در اکثر پروژه‌های یادگیری ماشین از این روش به عنوان روشی سریع و ساده و البته پایه و پرکاربرد یاد می‌شود. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

رگرسیون لجستیک - بخش اول
"11:56
رگرسیون لجستیک – بخش دوم
"07:08
کوییز رگرسیون لجستیک
11.8%
     
"02:00
معادله نرمال
"12:26
نحوه آموزش
"11:30
تابع هزینه
"11:54
دست به کُد
"13:41
دسته‌بندی چندکلاسه به رگرسیون لجستیک
"07:12
معیارهای ارزیابی در طبقه بندی - بخش اول
"09:03
معیارهای ارزیابی در طبقه بندی - بخش دوم
"07:33
معیارهای ارزیابی در طبقه‌بندی - بخش سوم
"11:04
دست به کُد- بخش اول
"11:37
دست به کُد- بخش دوم
"06:24
معیارهای ارزیابی Multiclass در Classification
"12:04
کوییز معیار ارزیابی
5.9%
     
"01:00
تمرین دوم _ Bike Sharing Demand

 (الزامی)

82.4%
     
"300:00
فصل هفتم : پیش‌‎پردازش داده‌ها
01:12 ساعت
01:07
Combined Shape Created with Sketch. 8 جلسه
بارم:
2%
نمایش جلسات فصل  

در این فصل، یکی از اصلی‌ترین گام‌های ساخت مدل برای یادگیری ماشین را یاد خواهیم گرفت. ابتدا می‌آموزیم که چگونه و چرا باید داده‌ها پیش‌پردازش شوند و با داده‌های گم‌شده یا Missing Value چطور برخورد کنیم. مقیاس‌بندی داده‌ها و روش‌های مختلف آن، نکته دیگری است که در این فصل به آن خواهیم پرداخت.

متغیر Dummy
"08:14
دست به کُد – بخش اول
"12:16
دست به کُد – بخش دوم
"12:16
دست به کُد – بخش سوم
"13:15
کوییز پیش‌پردازش داده
50.0%
     
"03:00
مقیاس‌بندی (Scaling)
"11:51
دست به کُد – بخش چهارم
"09:44
کوییز مقیاس‌بندی (Scaling)
50.0%
     
"02:00
فصل هشتم : مفاهیم مهم در درک یادگیری‌ماشین
02:21 ساعت
02:19
Combined Shape Created with Sketch. 15 جلسه
بارم:
3%
نمایش جلسات فصل  
فصل نهم : نزدیکترین همسایه (KNN)
00:33 ساعت
00:32
Combined Shape Created with Sketch. 4 جلسه
بارم:
1%
نمایش جلسات فصل  

یک جمله معروفی هست که احتمالاً شنیده‌اید. بسیار محتمل است که شما شبیه به 5 نفر از نزدیکترین دوستان خود باشید. شاید این جمله، به صورت خیلی ساده مفهوم کلی الگوریتم KNN را توضیح دهد. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

الگوریتم KNN
"08:15
دست به کُد
"12:04
دست به کُد – بخش دوم
"12:05
کوییز الگوریتم KNN
100.0%
     
"01:00
فصل دهم : تئوری بیز ساده (Naïve Bayes)
00:40 ساعت
00:39
Combined Shape Created with Sketch. 5 جلسه
بارم:
0%
نمایش جلسات فصل  

در این فصل با یکی از قدیمی‌ترین روش‌های یادگیری ماشین روبرو خواهیم شد. در Machine Learning، بسیاری از روش‌های به کار گرفته شده در یادگیری ماشین، از تکنیک‌های آماری بهره می‌برند که تکنیک دسته‌ بند بیز ساده با بکارگیری قضیه بیز و فرض استقلال بین متغیرها، عضوی از همین روش‌های احتمالاتی در نظر گرفته می‌شود. این الگوریتم از قضیه بیز به منظور تفکیک احتمالات استفاده می‌کند و ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

نظریه تئوری بیز
"09:26
الگوریتم Naïve Bayes
"09:17
دست به کُد – بخش اول
"10:45
دست به کُد – بخش دوم
"09:51
کوییز بیز
100.0%
     
"01:00
فصل یازدهم : شبکه‌های عصبی مصنوعی (Artificial Neural Network)
01:14 ساعت
01:11
Combined Shape Created with Sketch. 7 جلسه
بارم:
0%
نمایش جلسات فصل  

شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی، سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشین جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوه کارکرد سیستم عصبی مغز انسان، برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش می‌باشد. ما در این فصل چگونگی کارکرد شبکه‌های عصبی و نحوه آموزش و ساخت آن‌ها را یاد می‌گیریم. علاوه بر آن گریزی کوتاه به کتابخانه محبوب Keras و تنسورفلو می‌زنیم که یکی از محبوب‌ترین ابزارهای شما در یادگیری عمیق (Deep Learning) می‌باشد. در نهایت با استفاده از این ایده شبکه‌های عصبی، پیش‌بینی می‌کنیم که آیا یک مشتری از چرخه مشتریان بانک خارج می‌شود یا خیر؟

شبکه‌های عصبی
"12:26
شبکه پرسترون چند لایه (MLP)
"16:59
روابط برداری Feed Forward
"07:41
نحوه آموزش پارامترها
"13:35
شبکه‌های عصبی برای طبقه‌بندی
"07:43
دست به کُد
"13:26
کوییز شبکه‌های عصبی
100.0%
     
"03:00
فصل دوازدهم : ماشین بردار پشتیبان (SVM)
02:06 ساعت
02:06
Combined Shape Created with Sketch. 13 جلسه
بارم:
1%
نمایش جلسات فصل  

ماشین بردار پشتیبان یا (SVM) یک الگوریتم نظارت‌شده یادگیری ماشین است که هم برای مسائل طبقه‌بندی و هم مسائل رگرسیون قابل استفاده است؛ گرچه از آن بیشتر در مسائل طبقه‌بندی استفاده می‌شود. این روش معمولاً با توجه به ریاضیات پشت صحنه‌اش، به عنوان روش‌های جذاب به شمار می‌رود که مبنای کاری آن دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی بر آن است که خطی انتخاب شود که حاشیه اطمینان بیشتری داشته باشد. ما در این فصل به صورت کامل چگونگی کارکرد آن را می‌آموزیم و به صورت عملی با استفاده از کتابخانه Scikit-learn از آن استفاده می‌کنیم. بدون شک یکی از برترین و کامل‌ترین آموزش‌های SVM را در این فصل از دوره جاری می‌توانید مشاهده کنید.

SVM – بخش اول
"13:03
کوییز اول SVM
50.0%
     
SVM – بخش دوم
"12:36
دست به کُد – بخش اول
"12:57
دست به کُد- بخش دوم
"13:26
SVM – بخش سوم
"09:47
کوییز دوم SVM
50.0%
     
ترفند Kernel در SVM - بخش اول
"12:38
ترفند Kernel در SVM – بخش دوم
"11:43
ترفند Kernel در SVM – بخش سوم
"20:33
الگوریتم SVM برای مسایل چند کلاسه
"07:24
الگوریتم SVM برای رگرسیون (SVR)
"05:04
دست به کُد (رگرسیون)
"07:45
فصل سیزدهم : درخت تصمیم (Decision Tree)
01:50 ساعت
01:48
Combined Shape Created with Sketch. 9 جلسه
بارم:
0%
نمایش جلسات فصل  

در میان متخصصین و مدیران در صنایع مختلف، درخت‌ تصمیم یکی از روش‌های محبوب جهت تفکیک حالات مختلف به شمار می‌رود. خودمان نیز روزانه از ابتدای صبح در حال استفاده از درخت تصمیم و بررسی حالات مختلف و نتایج حاصل از این تصمیم‌ها هستیم.‌ زیرا درک آن آسان بوده و می‌توان به تعداد دلخواه گزینه‌های جدیدی را به آن‌ها اضافه کرد، در انتخاب و پیدا کردن بهترین گزینه از میان گزینه‌های مختلف کارآمد بوده و همچنین با ابزار‌های تصمیم‌گیری دیگر به خوبی سازگاری دارد. ما در این فصل به صورت کامل چگونگی کارکرد آن را می‌آموزیم، با معیارهای آنتروپی و Gini Index آشنا خواهیم شد و به صورت عملی جهت ساخت مدل نهایی، از کتابخانه Scikit-learn استفاده می‌کنیم.

الگوریتم درخت تصمیم – بخش اول
"26:05
الگوریتم درخت تصمیم – بخش دوم
"21:26
محاسبه آنتروپی