مقدمه‌

سلام!

قالب کالج

سیستم امتیازات و دریافت گواهی اصلی

یادگیری ماشین چیست؟

چرا پایتون؟

آماده‌سازی محیط کار

اجرای نوت‌بوک‌ها

گوگل کولب

معرفی مجموعه‌داده درسنامه

مدیریت پروژه

اهداف فصل

چرخه پروژه

اولویت‌بندی

سازماندهی تیم

چرا پروژه‌ها شکست می‌خورند؟

آماده‌سازی داده

سوالاتی درباره داده

چالش‌های داده

ویژگی‌های مجموعه‌داده‌ی خوب

تقسیم‌بندی مجموعه‌داده

داده‌های پرت

مقادیر گم‌شده

ردیابی صحیح

مجموعه‌داده نامتوازن

مهندسی ویژگی

اهمیت

مشخصات ویژگی خوب

ویژگی‌های دسته‌ای

مقادیر گم‌شده در ویژگی‌های دسته‌ای

بازاریابی بانکی

ویژگی‌های تقویمی

سنتز ویژگی

ترافیک شهری

تغییر مقیاس ویژگی

نشت داده

فوت و فن‌های مهندسی ویژگی

کاهش ابعاد

انتخاب ویژگی

سوباسا

خط لوله

رگرسیون

مقدمه

مدل چیست؟

تخمین، تابع هزینه و بهینه‌سازی

آزمون تخمین، تابع هزینه و بهینه‌سازی

رگرسیون خطی

آزمون رگرسیون خطی

ارزیابی

دایی موند

رگرسیون چندجمله‌ای

امید به زندگی

عمومیت

رگولاریزیشن

دسته‌بندی

رگرسیون لجستیک

ارزیابی - قسمت اول

تحلیل NBA

ارزیابی - قسمت دوم

کراس ولیدیشن

k-نزدیک‌ترین همسایه

آزمون k-نزدیک‌ترین همسایه

پسته

بیز ساده‌لوحانه

کامنت‌کاوی

ماشین بردار پشتیبان

هایپرپارامترها

تشخیص تقلب

آشنایی با کتابخانه‌ی H2O

درخت تصمیم

آزمون درخت تصمیم

فوت و فن درخت تصمیم

بیش‌برازش درخت تصمیم

درآمد

یادگیری تجمعی

جنگل تصادفی

شکارچی قارچ

الگوریتم AdaBoost

مشتریان بانک

الگوریتم Gradient Boosting

الگوریتم XGboost

روش Stacking

پروژه اول

تفریحی

کَنکِلی

شبکه عصبی

پرسپترون

آموزش پرسپترون

تمرین پرسپترون

پرسپترون چندلایه

ام نیست

یادگیری نظارت‌نشده

الگوریتم PCA

الگوریتم t-SNE

تشخیص اخبار دروغین

خوشه‌بندی با k-means

بخش‌بندی مشتریان مرکز خرید

خوشه‌بندی با k-modes

خوشه‌بندی با k-prototype

پروژه دوم

تعبیه‌ی متن

تشخیص جنسیت

موضوع‌بندی

فاصله‌ی ویرایش

معیار شباهت RBO

تحلیل جست‌و‌جو

پیشنهاد خودکار

بیشتر بدانید

نمونه‌کاهی با NearMiss

نمونه‌افزایی با SMOTE

درخت رگرسیون

یکی از محبوب‌ترین پلتفرم‌ها برای کار با فایل‌های نت‌بوک، **گوگل کولب (Google Colab)** است. این سرویس رایگان گوگل، در واقع پیاده‌سازی ژوپیتر نت‌بوک در بستر وب می‌باشد. در ادامه می‌بینیم چه مواردی موجب محبوبیت این سرویس ابری شده است.

![colab](https://quera.ir/qbox/view/uhR87cZcjN/7.png)

همان‌طور که در تصویر می‌بینید، محیط گوگل کولب شباهت بسیاری به ژوپیتر لب دارد و در صورت آشنایی با ژوپیتر لب، در کار با کولب مشکل خاصی نخواهید داشت!

در کولب می‌توانید مانند ژوپیتر کد‌های قابل اجرا به همراه متن و عکس و کد HTML و LaTeX را در یک نت‌بوک کنار هم داشته باشید. علاوه بر امکانات مشابه ژوپیتر، در کولب هنگامی‌که یک نت‌بوک را می‌سازید بلافاصله در فضای ذخیره‌سازی ابری حساب کاربری گوگل شما (گوگل درایو) ذخیره خواهد شد، بنابراین می‌توانید به سادگی آن را با دوستان و همکاران خود به اشتراک گذاشته و از کامنت‌های آن‌ها بر کارتان بهره ببرید. همچنین مانند دیگر مدارک گوگل می‌توانید سطح دسترسی (ویرایش، کامنت‌گذاری و مشاهده‌) برای مخاطبین مختلف تعیین کنید. در این محیط علاوه بر آن‌که می‌توانید مستقیماً نت‌بوک جدید یا سلول کد جدید بسازید و در آن کد بزنید، می‌توانید آن را از رایانه‌ی شخصی خود یا منابع اینترنتی مانند گیت و... بارگذاری کنید. در [اینجا](https://colab.research.google.com/notebooks/basic_features_overview.ipynb) می‌توانید بیشتر با محیط گوگل‌کولب آشنا شوید. توجه کنید که برای استفاده از کولب، به یک اکانت گوگل نیاز دارید. آموزش ساخت اکانت گوگل را از [اینجا](https://support.google.com/accounts/answer/27441?hl=en) ببینید.

گوگل منابع نسبتاً قدرتمندی در اختیار کاربران قرار می‌دهد و برای اجرای عملیات سنگین می‌توان از آن استفاده کرد. CPU، هارد، رم، *GPU* و *TPU* از منابعی است که در کولب می‌توان از آنها استفاده کرد. برای استفاده از GPU یا TPU باید از تنظیمات کولب، آن‌ها را فعال کنید. (*TPU* یا *Tensor Processing Unit* سخت‌افزاری است شبیه به *GPU* است که گوگل در زیرساخت‌های خود از آن استفاده می‌کند و بیشتر توسط کتابخانه‌ی `TensorFlow` برای امور یادگیری ماشین مورد استفاده قرار می‌گیرد).

به‌طور پیش‌فرض کتابخانه‌های بسیاری روی کولب نصب هستند و در صورت نیاز می‌توان کتابخانه‌های مورد نیاز دیگر را با دستور `!pip install` روی کولب نصب کرد. در امور تحلیل داده گاهی لازم می‌شود تا آزمایش‌ها و عملیاتی روی مجموعه‌داده حجیم انجام شود. دانلود و آپلود این مجموعه‌داده ممکن است زمان‌بر باشد. با کولب می‌توان این مجموعه‌داده را مستقیم از بستر اینترنت به کولب وارد کرد.

امکانات و مزایایی که ذکر شد مربوط به نسخه‌ی رایگان گوگل‌کولب بود. این امکانات تمام آن چیزی نیست که گوگل می‌تواند در اختیار کاربران قرار دهد. در نسخه‌ی پولی کولب منابع قدرتمندتری با محدوده فعالیت بیشتری در اختیار شما قرار می‌دهد. از معایب کولب می‌توان به این مورد اشاره کرد که هر بار فایلی در کولب (در کنار نت‌بوک) آپلود یا ساخته می‌شود، پس از مدتی ممکن است توسط کولب پاک شود یا نیاز باشد دسترسی به درایو برای خواندن آن فایل تمدید شود. حواس‌تان باشد که حافظه‌ی کولب، حافظه‌ای موقتی است. در کولب از محیط مجازی ثابت هم خبری نیست و اگر پروژه‌ی شما نیازمندی خاصی دارد هر بار باید کتابخانه‌ها با نسخه‌ی مورد نظر را نصب کرد.

### گوگل درایو

گوگل درایو یک فضای ذخیره‌سازی ابری رایگان است که توسط گوگل ارائه می‌شود و به کاربران امکان می‌دهد فایل‌های خود را در فضای ابری ذخیره و مدیریت کنند. هنگام استفاده از گوگل کولب، اتصال به گوگل درایو این امکان را می‌دهد که به‌طور مستقیم به فایل‌ها و پوشه‌های ذخیره‌شده دسترسی داشته باشید، داده‌ها و نتایج را در آن ذخیره کنید و پروژه‌های سنگین را بدون نیاز به آپلود یا دانلود مکرر مدیریت کنید. به این ترتیب، همکاری با دیگران و ذخیره‌ی مطمئن داده‌ها برای پروژه‌های تحلیل و یادگیری ماشین ساده‌تر می‌شود.

#### اتصال گوگل درایو به گوگل کولب

می‌توان برای اتصال گوگل کولب و گوگل درایو و دسترسی به فایل‌های ذخیره شده در آن، از دستورات زیر استفاده کرد:

برای دسترسی به فایل‌های موجود در گوگل درایو و ذخیره کردن فایل‌ها در آن، از کد زیر استفاده کنید:
```python
from google.colab import drive
drive.mount('/content/drive')
```




این کد درایو شما را به کولب متصل کرده و اجازه می‌دهد به پوشه‌ها و فایل‌های موجود در گوگل درایو دسترسی پیدا کنید. با اجرای این کد، یک لینک ظاهر می‌شود که از طریق آن باید اجازه دسترسی به اکانت گوگل خود را به کولب بدهید.
یا میتوانید همانند تصویر زیر بر روی گزینه نشان داده شده کلیک کرده و درایو خودتان را به کولب متصل کنید:

![colab](https://quera.org/qbox/download/zsMhZ5d5Lo/Screenshot%202024-11-01%20214931.png)

<details class="blue">
 
<summary>
**آشنایی با دستورات پرکاربرد گوگل کولب**
</summary>

در گوگل کولب، برخی از دستورات پرکاربرد به صورت _System Aliases_ تعریف شده‌اند که اجرای دستورات سیستم را آسان‌تر می‌کنند. این دستورات به صورت پیش‌فرض در محیط گوگل کولب قابل دسترسی هستند:

1.  **`!ls`**: برای نمایش لیست فایل‌ها و پوشه‌های موجود در دایرکتوری فعلی استفاده می‌شود.
```python
!ls
```




2.  **`!pwd`**: مسیر دایرکتوری فعلی را نشان می‌دهد.
```python
!pwd
```




3.  **`cd`**: برای تغییر دایرکتوری استفاده می‌شود.
```python
cd
```



4.  **`!mkdir`**: برای ایجاد یک پوشه جدید.
```python
!mkdir
```



5.  **`!rm`**: برای حذف فایل‌ها یا پوشه‌ها. برای حذف یک پوشه به همراه محتویات آن از `-r` استفاده کنید.
```python
!rm filename.txt
!rm -r folder_name
```



6.  **`!pip install`**: برای نصب کتابخانه‌های پایتون که در محیط کولب به صورت پیش‌فرض موجود نیستند.
```python
!pip install library_name
```




این دستورات به کاربران اجازه می‌دهند با استفاده از کدهای ساده، مدیریت فایل‌ها و نصب پکیج‌ها در محیط گوگل کولب را به راحتی انجام دهند.
</details>

با اتصال گوگل درایو به کولب، مدیریت فایل‌ها و داده‌ها برای پروژه‌های بزرگ‌تر ساده‌تر می‌شود و می‌توان از قابلیت ذخیره‌سازی ابری گوگل نیز بهره‌مند شد. با استفاده از گوگل درایو فایل‌های مربوط به دوره و تمرینات را در فضای ابری خود مدیریت کنید و در گوگل کولب نیز به راحتی به آن‌ها دسترسی داشته باشید.

### استفاده از کولب در این دوره
برای اجرای نت‌بوک‌های تمرین‌ها و پروژه‌ها، یا نت‌بوک‌های آموزشی،‌ کارهای زیر را انجام می‌دهیم:

1. ساخت اکانت گوگل (اگر از قبل ندارید)
2. ورود به سایت کولب در [این آدرس](https://colab.research.google.com)
3. آپلود فابل نت‌بوک
4. نصب فایل `requirements.txt` در ابتدای فایل نت‌بوک
5. اجرای عملیات دلخواه
6.  در صورت نیاز دانلود فایل نتیجه از کولب (و برای سوالات و پروژه‌ها آپلود آن برای داوری در کوئرا)

form

plain_text

جامپ یادگیری ماشین