بایگانی‌های رویدادها و اخبار

بررسی رویکرد نزدیکترین همسایه (KNN)
گالری
بررسی رویکرد نزدیکترین همسایه (KNN)

بررسی رویکرد نزدیکترین همسایه (KNN)

مهدی کوهستانی2026-06-07T16:15:39+03:30

بررسی رویکرد نزدیکترین همسایه (KNN) معرفی رویکرد KNNImputer و استفاده از آن برای پیش‌پردازش داده‌ها KNNImputer یک روش پیشرفته برای جایگزینی مقادیر گمشده (Missing Value Imputation) در داده‌ها است که از ایده الگوریتم K نزدیکترین همسایه استفاده می‌کند. برخلاف روش‌های ساده مثل جایگزینی با میانگین یا میانه (که ساختار داده را نادیده می‌گیرند)، KNNImputer برای هر نمونه‌ای که دارای مقدار گمشده است، K نمونه مشابه (از نظر سایر ویژگی‌ها) را پیدا کرده و سپس مقدار گمشده را بر اساس میانگین (یا میانه) وزنی آن همسایه‌ها تخمین می‌زند. مراحل کار: فاصله بین نمونه‌ها را با استفاده از ویژگی‌های موجود (بدون مقادیر [...]

بررسی رویکرد نزدیکترین همسایه (KNN)مهدی کوهستانی2026-06-07T16:15:39+03:30

دسته‌ بندی داده‌ ها و مدل‌ های طبقه‌ بندی

مهدی کوهستانی2026-06-07T15:11:23+03:30

بررسی رویکردهای گوناگون دسته‌بندی داده‌ها و ارزیابی مدل‌های طبقه‌بندی بررسی رویکردهای مختلف دسته‌بندی اطلاعات دسته‌بندی داده‌ها (Classification) یکی از شاخه‌های اصلی یادگیری نظارت شده (Supervised Learning) است که در آن هدف، پیش‌بینی یک برچسب گسسته برای هر نمونه ورودی است. به عبارت دیگر، به مدل یاد می‌دهیم که یک ورودی را به یکی از چندین کلاس (دسته) نسبت دهد. رویکردهای گوناگونی برای دسته‌بندی وجود دارد که بر اساس تعداد کلاس‌ها و نحوه تخصیص برچسب‌ها تعریف می‌شوند. انتخاب رویکرد مناسب به مسئله کسب‌وکاری شما بستگی دارد: آیا فقط دو حالت وجود دارد؟ (مثلاً «خرید می‌کند / نمی‌کند») آیا چندین کلاس مجزا [...]

دسته‌ بندی داده‌ ها و مدل‌ های طبقه‌ بندیمهدی کوهستانی2026-06-07T15:11:23+03:30

روش های آماده سازی مجموعه دادگان
گالری
روش های آماده سازی مجموعه دادگان

روش های آماده سازی مجموعه دادگان

مهدی کوهستانی2026-06-07T14:22:23+03:30

روش های آماده سازی مجموعه دادگان آماده‌سازی مجموعه دادگان (Data Preparation) مهم‌ترین گام در هر پروژه یادگیری ماشین است – اغلب بیش از ۸۰٪ زمان یک دیتا ساینتیست صرف این مرحله می‌شود. روش‌های گوناگونی برای آماده‌سازی داده وجود دارد که بسته به نوع داده (عددی، متنی، تصویری) و الگوریتم انتخابی متفاوت است. مهم‌ترین این روش‌ها عبارتند از: پاکسازی داده (Data Cleaning): حذف یا جایگزینی مقادیر گمشده (با میانگین، میانه، یا روش‌های پیشرفته‌تر مانند KNN Imputer)، شناسایی و حذف داده‌های پرت (Outliers) با روش Z-Score یا IQR. تبدیل داده (Data Transformation): نرمال‌سازی (Min-Max Scaling) برای بازه [0,1]، استانداردسازی (Standardization) با میانگین [...]

روش های آماده سازی مجموعه دادگانمهدی کوهستانی2026-06-07T14:22:23+03:30

مروری بر آنالیز داده
گالری
مروری بر آنالیز داده

مروری بر آنالیز داده

مهدی کوهستانی2026-06-07T14:08:22+03:30

مروری بر آنالیز داده قبل از ورود به الگوریتم‌های یادگیری ماشین، باید درک عمیقی از تحلیل داده (Data Analysis) داشته باشید. آنالیز داده فرآیندی است شامل جمع‌آوری، پاکسازی، تبدیل و مدل‌سازی داده با هدف کشف اطلاعات مفید و پشتیبانی از تصمیم‌گیری. چرخه تحلیل داده شامل مراحل: شناخت مسئله، جمع‌آوری داده، پاکسازی (حذف مقادیر گمشده و پرت)، تبدیل (نرمال‌سازی، استانداردسازی، مهندسی ویژگی)، مدل‌سازی، ارزیابی و استقرار است. در این بخش از دوره Machine Learning، ابتدا تمام مفاهیم پایه‌ای تحلیل داده را مرور می‌کنیم – همان‌هایی که در جلسات قبل با جزئیات یاد گرفتید – اما این بار با تمرکز بر نیازهای [...]

مروری بر آنالیز دادهمهدی کوهستانی2026-06-07T14:08:22+03:30

تحلیل اکتشافی داده (EDA) – آمار تفسیری
گالری
تحلیل اکتشافی داده (EDA) – آمار تفسیری

تحلیل اکتشافی داده (EDA) – آمار تفسیری

مهدی کوهستانی2026-06-07T13:53:28+03:30

تحلیل اکتشافی داده (EDA) – آمار تفسیری معرفی آمار تفسیری آمار تفسیری (Inferential Statistics) یا آمار استنباطی، شاخه‌ای از علم آمار است که با استفاده از داده‌های یک نمونه (نمونه)، نتیجه‌گیری و استنتاج درباره کل جامعه (population) انجام می‌دهد. در حالی که آمار توصیفی به خلاصه‌سازی و نمایش داده می‌پردازد، آمار تفسیری به ما اجازه می‌دهد فرضیه‌ها را تست کنیم، روابط بین متغیرها را تعمیم دهیم و پیش‌بینی انجام دهیم. اجزای اصلی آمار تفسیری شامل: تخمین پارامترها (با استفاده از فاصله اطمینان) آزمون فرضیه (تأیید یا رد ادعاهای آماری) مدل‌سازی پیش‌بینی در علم داده، شما همیشه به همه داده‌ها دسترسی [...]

تحلیل اکتشافی داده (EDA) – آمار تفسیریمهدی کوهستانی2026-06-07T13:53:28+03:30

پکیج های مختلف نمایش داده
گالری
پکیج های مختلف نمایش داده

پکیج های مختلف نمایش داده

مهدی کوهستانی2026-05-18T15:35:10+03:30

پکیج‌های مختلف نمایش داده آشنایی با پکیج Matplotlib Matplotlib قدرتمندترین و محبوب‌ترین کتابخانه مصورسازی داده در پایتون است که توسط John Hunter ساخته شده است. این کتابخانه به شما امکان می‌دهد هر نوع نمودار دلخواهی را با کنترل کامل روی تمام جزئیات رسم کنید. برای نصب، کافی است اجرا کنید: pip install matplotlib (در Anaconda از قبل نصب است). نحوه import استاندارد به صورت import matplotlib.pyplot as plt است. سبک کاری Matplotlib شبیه به نرم‌افزار MATLAB است – با توابعی مثل plt.plot()، plt.scatter() و غیره. در این بخش از دوره، قدم به قدم انواع نمودارهای پرکاربرد را با مثال‌های واقعی [...]

پکیج های مختلف نمایش دادهمهدی کوهستانی2026-05-18T15:35:10+03:30

پیش پردازش و آنالیز داده
گالری
پیش پردازش و آنالیز داده

پیش پردازش و آنالیز داده

مهدی کوهستانی2026-05-18T15:32:51+03:30

پیش پردازش و آنالیز داده معرفی رویکردهای گوناگون فهم داده و لزوم آن در دنیای داده‌محور امروز، شناخت داده (Data Understanding) اولین و مهم‌ترین گام در هر پروژه تحلیل داده و یادگیری ماشین است. قبل از اینکه به سراغ مدل‌سازی بروید، باید بدانید با چه داده‌ای سر و کار دارید. رویکردهای گوناگون فهم داده شامل مشاهده بصری، آمار توصیفی، تشخیص الگوها و شناسایی داده‌های پرت است. تحلیل اکتشافی داده (EDA) به شما کمک می‌کند ساختار، توزیع، کیفیت و روابط پنهان بین متغیرها را کشف کنید. چرا این کار اینقدر مهم است؟ چون اگر داده را خوب نشناسید، انتخاب الگوریتم اشتباه [...]

پیش پردازش و آنالیز دادهمهدی کوهستانی2026-05-18T15:32:51+03:30

مفاهیم جبر خطی
گالری
مفاهیم جبر خطی

مفاهیم جبر خطی

مهدی کوهستانی2026-05-18T15:29:49+03:30

مفاهیم جبر خطی جبر خطی ستون فقرات تمام الگوریتم‌های یادگیری ماشین و تحلیل داده است. اگر بخواهید درک عمیقی از رگرسیون، PCA، شبکه‌های عصبی یا حتی فیلترهای همکاری (Collaborative Filtering) داشته باشید، بدون مفاهیم جبر خطی ممکن نیست. در این بخش از دوره، مفاهیم جبر خطی برای هوش مصنوعی را کاملاً شهودی و بدون فرمول‌های پیچیده یاد می‌گیرید. شروع می‌کنیم از تعریف اسکالر (یک عدد)، بردار (آرایه یک بعدی) و ماتریس (آرایه دو بعدی). سپس نشان می‌دهیم که چگونه یک تصویر، متن یا جدول دیتاست به یک ماتریس تبدیل می‌شود. هدف این است که شما ریاضی پشت صحنه را آنقدر [...]

مفاهیم جبر خطیمهدی کوهستانی2026-05-18T15:29:49+03:30

نصب محیط هوش مصنوعی
گالری
نصب محیط هوش مصنوعی

نصب محیط هوش مصنوعی

مهدی کوهستانی2026-05-16T15:22:56+03:30

نصب محیط هوش مصنوعی نصب Anaconda برای شروع کار با تحلیل داده و یادگیری ماشین، اولین قدم نصب Anaconda است. Anaconda یک توزیع محبوب از پایتون است که بیش از ۱۵۰۰ پکیج علمی از قبل نصب شده دارد. برای نصب Anaconda، ابتدا به سایت رسمی anaconda.com مراجعه کنید و نسخه متناسب با سیستم‌عامل خود (Windows، macOS یا Linux) را دانلود کنید. در حین نصب، گزینه “Add Anaconda to my PATH environment variable” را علامت بزنید (در ویندوز). پس از نصب، برنامه Anaconda Navigator (نسخه گرافیکی) و Anaconda Prompt (خط فرمان) در دسترس خواهد بود. با نصب آناکوندا، شما دیگر نیازی [...]

نصب محیط هوش مصنوعیمهدی کوهستانی2026-05-16T15:22:56+03:30

آشنایی با هوش مصنوعی و مفاهیم کلان در آن
گالری
آشنایی با هوش مصنوعی و مفاهیم کلان در آن

آشنایی با هوش مصنوعی و مفاهیم کلان در آن

مهدی کوهستانی2026-05-16T11:15:31+03:30

آشنایی با هوش مصنوعی و مفاهیم کلان در آن هوش مصنوعی (Artificial Intelligence) به مجموعه‌ای از تکنولوژی‌ها گفته می‌شود که ماشین‌ها را قادر به شبیه‌سازی قوای شناختی انسان مانند یادگیری، استدلال و حل مسئله می‌کند. در این بخش، ابتدا با مفاهیم کلان هوش مصنوعی شامل یادگیری ماشین، یادگیری عمیق و شبکه‌های عصبی آشنا می‌شوید. سپس به بررسی تفاوت AI با برنامه‌نویسی سنتی می‌پردازیم. درک این مفاهیم پایه‌ای، پیش‌نیاز ورود به دنیای تحلیل داده و مدل‌سازی است. اگر به دنبال یک مسیر شغلی در حوزه داده هستید، آشنایی با هوش مصنوعی چیست و چه جایگاهی در صنعت دارد، اولین گام ضروری [...]

آشنایی با هوش مصنوعی و مفاهیم کلان در آنمهدی کوهستانی2026-05-16T11:15:31+03:30

اطلاعات تماس