محور موضوعی
آموزش هوش مصنوعی مولد به زبان فارسی، قدم‌به‌قدم و کاربردی؛ از پرامپت‌نویسی و ساخت چت‌بات تا RAG، ایجنت‌ها، ارزیابی و امنیت. یک مسیر ۵۰ قسمتی که از مفاهیم پایه شروع می‌شود و تا ساخت ایجنت‌های واقعی پیش می‌رود.
یادگیری تقویتی چیست و چطور یک عامل بدون داده برچسب‌خورده، فقط با آزمون و خطا یاد می‌گیرد؟ در این قسمت عامل، محیط، حالت، عمل، پاداش و سیاست را با قصه پیتر و گرگ می‌شناسید، معادله بلمن و الگوریتم Q-Learning را می‌فهمید و یک عامل کوچک را با پایتون از صفر آموزش می‌دهید.
رگرسیون بردار پشتیبان یا SVR می‌تواند رابطه غیرخطی سری زمانی را یاد بگیرد، به شرطی که سری را به یک مسئله رگرسیون معمولی تبدیل کنید. در این قسمت ایده لوله اپسیلون، کرنل RBF، پنجره‌سازی داده، ویژگی تأخیری و تقویمی و مقایسه منصفانه SVR با ARIMA و خط پایه را یاد می‌گیرید.
مدل ARIMA کلاسیک‌ترین روش پیش‌بینی سری زمانی است و هنوز خط پایه‌ای جدی برای مدل‌های پیچیده به حساب می‌آید. در این قسمت ایستایی و تفاضل‌گیری، سه جزء AR، I و MA، نسخه فصلی SARIMA، اعتبارسنجی گام‌به‌گام و بررسی باقیمانده را با داده مصرف برق و statsmodels یاد می‌گیرید.
سری زمانی چیست و چرا پیش‌بینی آن قواعد خودش را دارد؟ در این قسمت روند، فصلی بودن، چرخه، داده پرت و تغییر ناگهانی را با داده مصرف برق می‌شناسید، یاد می‌گیرید داده را بر اساس زمان تقسیم کنید، خط پایه ساده بسازید و از رایج‌ترین خطای پیش‌بینی یعنی نشت آینده دوری کنید.
خوشه‌بندی K-Means ساده‌ترین و پرکاربردترین روش گروه‌بندی داده بدون برچسب است. در این قسمت چهار قدم الگوریتم، اهمیت مقیاس‌بندی، انتخاب تعداد خوشه با روش آرنج، سنجش کیفیت با امتیاز سیلوئت و محدودیت‌های K-Means را با داده آهنگ‌های نیجریه‌ای و مثال پایتون یاد می‌گیرید.
کدام الگوریتم طبقه‌بندی بهتر است؟ پاسخ فقط با آزمون منصفانه روی داده خودتان معلوم می‌شود. در این قسمت رگرسیون لجستیک، Linear SVC، KNN، SVM با کرنل، جنگل تصادفی و AdaBoost را می‌شناسید و با اعتبارسنجی متقابل، معیار یکسان و زمان اجرا، روی داده غذاهای آسیایی مقایسه می‌کنید.
طبقه‌بندی در یادگیری ماشین از تعریف دقیق برچسب شروع می‌شود، نه از انتخاب الگوریتم. در این قسمت با داده ۲۴۴۸ دستور غذای آسیایی، طبقه‌بندی دودویی و چندکلاسه، حذف ویژگی‌های بی‌اثر، داده نامتوازن و SMOTE، خط پایه و معیار F1 کلان را یاد می‌گیرید و مدل را برای استفاده در وب آماده می‌کنید.
رگرسیون لجستیک چیست و چطور از یک عدد، احتمال و بعد تصمیم دسته‌بندی می‌سازد؟ در این قسمت تابع سیگموید، انواع دودویی، چندگانه و ترتیبی، رمزگذاری ترتیبی و یک‌داغ، ماتریس درهم‌ریختگی، منحنی ROC و انتخاب آستانه تصمیم را با داده رنگ کدو تنبل یاد می‌گیرید.
رگرسیون خطی چیست و چرا تقریباً هر پروژه پیش‌بینی عددی باید با آن شروع شود؟ در این قسمت کمترین مربعات، شیب و عرض از مبدأ، همبستگی، ساخت مدل با scikit-learn، معیارهای RMSE و R2، رگرسیون چندجمله‌ای و افزودن ویژگی دسته‌ای را با داده قیمت کدو تنبل یاد می‌گیرید.
داستان‌سرایی با داده فاصله بین یک تحلیل درست و یک تصمیم درست را پر می‌کند. در این قسمت پنج دسته مخاطب، ارتباط یک‌طرفه و دوطرفه، پنج راهبرد روایت داده، یک مطالعه موردی از مدیر محصول و قالب یک‌صفحه‌ای گزارش نتیجه مدل هوش مصنوعی را یاد می‌گیرید.
نمودار پراکندگی ساده‌ترین ابزار دیدن رابطه دو متغیر است. در این قسمت با داده تولید و قیمت عسل در آمریکا، نمودار پراکندگی با رنگ و اندازه، نمودار خطی با بازه اطمینان، شبکه فاست و نمودار دومحوره را با seaborn یاد می‌گیرید و از آن برای بررسی پیش‌بینی‌های مدل استفاده می‌کنید.
هیستوگرام چیست و چرا دو داده با میانگین یکسان می‌توانند کاملاً متفاوت باشند؟ در این قسمت هیستوگرام و انتخاب تعداد بازه، فیلتر داده کشیده، هیستوگرام دوبعدی، مقایسه توزیع گروه‌ها و نمودار چگالی KDE را با داده پرندگان یاد می‌گیرید و آن را برای پایش توزیع ورودی مدل به کار می‌برید.
