×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعیماشین لرنینگ

بهبود عملکرد مدل‌های یادگیری ماشین با روش‌های Ensemble در پایتون

مدرس:

مهدی زارع

در دنیای یادگیری ماشین، هیچ مدلی همیشه بهترین نیست! اما با استفاده از Ensemble Learning می توان چندین... بیشتر
محبوب کاربران
گواهی‌نامه
4.8 (17)
16 دیدگاه
215دانشجو
4ساعت
سرفصل‌ها
پیشرفته سطح دوره
بروزرسانیآذر ۱۴۰۴

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

با مفاهیم و ساختارهای اصلی Ensemble Learning شامل Bagging، Boosting، Stacking و Voting آشنا می‌شوید.

نحوه پیاده‌سازی مدل‌های تجمعی با پایتون و کتابخانه‌هایی مانند Scikit-learn، XGBoost، LightGBM و CatBoost را می‌آموزید.

می‌فهمید چگونه ترکیب مدل‌ها می‌تواند دقت، پایداری و تعمیم‌پذیری پیش‌بینی‌ها را بهبود دهد.

در پایان، می‌توانید مدل‌های Ensemble حرفه‌ای طراحی و در پروژه‌های واقعی یا رقابت‌های داده‌کاوی به‌کار ببرید.

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

6 فصل31 جلسه4 ساعت ویدیو
مقدمه و مفاهیم پایه
  پیش نیاز ها
02:04
  مقدمه
07:32
  Bagging,Boosting,Stacking
11:57
  ساخت محیط مجازی(Venv)
08:53
  Boostrap Sampling
04:48
  پیاده سازی Boostap Sampling
04:28
Bagging (Bootstrap Aggregating)
  مفاهیم Bagging
12:15
  ساخت دیتا با کتابخونه drawdata
04:33
  پیاده سازی جنگل تصادفی پارت 1
11:21
  پیاده سازی جنگل تصادفی پارت 2
06:34
  ساختن slider برای تنظیم جنگل تصادفی
08:50
  پیاده سازی dt, rf روی دیتا واقعی پارت 1
14:35
  پیاده سازی dt, rf روی دیتا واقعی پارت 2
05:34
  پیاده سازی OOB-Score, Cross-Validate
08:44
  BaggingClassification, BaggingRegression
08:54
Boosting Methods
  مفهوم Boostingو الگوریتم AdaBoosting
05:51
  پیاده سازی AdaBoosting
09:50
  پیاده سازی GradientBoosting
08:32
  پیاده سازی XGBoost
11:08
  پیاده سازی LightGBM
04:33
  پیاده سازی CatBoost پارت 1
03:17
  پیاده سازی CatBoost پارت 2
04:46
Stacking (Stacked Generalization)
  روش Stacking
09:25
Blending و Voting
  توضیحات Blending and Voting
05:28
  پیاده سازی Blending
10:11
  پیاده سازی Soft Voting and Hard Voting
15:54
نکات پیشرفته و بهینه‌سازی
  اهمیت ویژگی(Feature Importance)
09:36
  Permutation Importance
13:22
  انتخاب هایپر پارامتر با GridSearchCV
12:47
  انتخاب هایپر پارامتر با RandomizedGridSearchCV
07:26
  انتخاب هایپر پارامتر با Optuna
08:58

پیش‌نیاز‌ها

برای یادگیری کامل این دوره، آشنایی با مفاهیم زیر توصیه می‌شود:

🔹 Python Programming: تسلط نسبی بر زبان پایتون و کار با کتابخانه‌های NumPy و Pandas
🔹 Machine Learning Basics: آشنایی با مفاهیم یادگیری نظارت‌شده (Supervised Learning) و مدل‌هایی مانند Decision Tree،  Logistic Regression و KNN
🔹 Data Visualization: توانایی استفاده از Matplotlib یا Seaborn برای تحلیل و نمایش داده‌ها
🔹 Jupyter Notebook یا Google Colab: توانایی اجرای کد و تحلیل گام‌به‌گام
(اگر این مباحث را به‌صورت مقدماتی می‌دانید، می‌توانید بدون مشکل وارد این دوره شوید.)

توضیحات دوره

در دنیای یادگیری ماشین، هیچ مدلی همیشه بهترین نیست!

اما با استفاده از Ensemble Learning می‌توان چندین مدل مختلف را ترکیب کرد تا نتیجه‌ای قدرتمندتر، پایدارتر و دقیق‌تر به‌دست آورد.
در این دوره، یاد می‌گیرید چگونه با استفاده از زبان Python و کتابخانه‌های محبوبی مانند scikit-learn، XGBoost، LightGBM و CatBoost، مدل‌های تجمعی بسازید و دقت پیش‌بینی‌ها را به شکل چشمگیری افزایش دهید.

از مبانی نظری مثل Bagging و Boosting گرفته تا روش‌های پیشرفته‌تری چون Stacking و Blending، همه‌ی مفاهیم را گام‌به‌گام همراه با مثال‌های واقعی یاد می‌گیرید.

در پایان دوره، شما می‌توانید مدل‌های ترکیبی هوشمند برای پروژه‌های واقعی طراحی کنید و در رقابت‌های داده‌کاوی یا پروژه‌های صنعتی، نتایج درخشان‌تری به‌دست آورید

دیدگاه کاربران

4.8

بر اساس امتیاز 17 دانشجو

1
2
3
4
5

عارف جوزی

14 روز پیش

5

بسیار عالی

دانشجوی دوره

1 ماه پیش

5

یک دوره بسیار کامل و مفید در زمان مناسب بیشترین بازده و راندمان رو داره این دوره به صورت فشرده و سلیس و راحت موضوعاتی مطرح. میشه که شاید در نگاه اول سخت باشه ولی با این دوره خیلی راحت من خودم شخصا تونستم جلو برم 👌

دانشجوی دوره

1 ماه پیش

5

سلام توضیحات شون قابل فهم است و مسلط هستند

امیر ترکمانی

2 ماه پیش

5

خیلی ممنونم از مدرس این دوره آقای زارع که این مبحث رو مد نظر قرار داده و با بیان شیوا و صریح آموزش رو جلو بردن . شخصا مباحث stacking و blending رو خیلی پیگیر بودم که اینجا تونستم یه دوره مناسب و کاملی راجبشون پیدا کنم .

دانشجوی دوره

2 ماه پیش

5

ممنونم از اقای زارع واقعا دورشون کامل و پر بار بود . خیلی عالیه ممنونممممم🙏🙏

دانشجوی دوره

2 ماه پیش

5

بسیار دوره ی جامعی بود واقعا توضیحات کامل و واضح بودن مدرس بسیار با حوصله و با دقت تدریس میکنن ممنون جناب زارع با آرزوی سلامتی🙏🏻

گواهینامه اختصاصی دو زبانه

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.

امکان اشتراک گذاری در لینکدین
دو زبانه
مهدی زارعکارشناس ارشد نفت و گاز،متخصص هوش مصنوعی و علم داده، برنامه نویس پایتون
3دوره
1,261دانشجو
60نظر و امتیاز

مهندس مهدی زارع
با بیش از ۴ سال سابقه حرفه‌ای، یکی از چهره‌های فعال در حوزه تحلیل داده، برنامه‌نویسی پایتون و آموزش علوم داده است.
او دارای مدرک کارشناسی ارشد مهندسی نفت و گاز با گرایش اکتشاف است و تاکنون بیش از ۸۰ پروژه موفق در پلتفرم پارسکدرز انجام داده که منجر به کسب امتیاز عالی 9.97 از 10 از سوی کارفرمایان شده است.

مهندس زارع در کنار پروژه‌های فریلنس، تجربه تدریس دوره‌های تخصصی برنامه‌نویسی پایتون در دانشگاه را دارد و همواره در جهت توانمندسازی دانشجویان و متخصصان در زمینه‌های کدنویسی، تحلیل داده و یادگیری ماشین کوشیده است.

از دستاوردهای حرفه‌ای مهندس زارع می‌توان به موارد زیر اشاره کرد:

انجام موفق بیش از ۸۰ پروژه تحلیل داده و یادگیری ماشین در پلتفرم پارسکدرز

تدریس دوره «برنامه‌نویسی پایتون کاربردی» ویژه دانشجویان فنی و مهندسی

طراحی و پیاده‌سازی مدل‌های پیش‌بینی و داده‌کاوی در پروژه‌های صنعتی و دانشگاهی

کسب میانگین امتیاز 9.97 از 10 در ارزیابی کیفیت خدمات توسط کارفرمایان

مهندس زارع با رویکردی دقیق، ساده و نتیجه‌محور، تلاش می‌کند دانش فنی را به زبانی قابل فهم و کاربردی به مخاطبان منتقل کرده و مسیر رشد و پیشرفت آن‌ها را هموار سازد.

مهارت‌هایی که می‌آموزید

ماشین لرنینگ
مبانی هوش مصنوعی