سلام دوستان
به امید خدا سعی می کنیم بر اساس این منبع ارزشمند و بسیار کامل یعنی کتاب:
(Hands_On_Machine_Learning_with_Scikit_Learn,_Keras,_and_TensorFlow)

قدم به قدم با هم جلو بریم و امیدواریم بتونیم سهمی هرچند اندک در یادگیری شما در این حوزه داشته باشیم. آهسته آهسته پیش می ریم اما تلاشمون این هست که تا انتهای کتاب همراه شما باشیم. برای دسترسی به محتوای کامل این دوره میتونین به وبسایت خودتون (datalk.ir) هم یه سری بزنین.
به امید موفقیت همه شما بزرگواران
معمولا اولین چیزی که به ذهنمون میرسه یه ربات خفنه که همه کار میکنه یا فیلم خاطره انگیز ترمیناتور! اما واقیت اینه که این داستان لزوما اینقدر هم چیزه فانتزی یی نیست. در واقع از خیلی وقت پیش هممون به نوعی باهاش سروکار داشتیم.. شاید جز اولین های ماشین لرنینگی اسپم ایمیل (یه سری به قسمت اسپم ایمیلتون بزنین) بوده و اثرش رو میلیون ها ادم تو زندگیشون دیدن و البته هنوزم دارن می بینن. وقتی می رین تو گوگل و سرچی می کنین و به راحتی از کلماتی که بهتون پیشنهاد می ده و یا از غلط های املایی که براتون تصییح می کنه استفاده می کنید و خیلی موارد دیگه..
میبینید شاید لزوما صحبت از اسکای نت نباشه (نگین که فیلم های ترمیناتورو ندیدین) اما از نظر تکنیکی همه این ها جز ماشین لرنینگ محسوب می شون.

معنی واقعی این یادگیری که میگیم دقیقا چیه؟ مثلا اگر من یک کپی از ویکیپدیا بگیرم و اون رو در کامپیوترم بریزم، این معنیش اینه که کامپیوترم یاد گرفته؟ یا واقعا باهوش تر شده ؟ در پارت اول ما از این دوره ما یاد میگیرم که ماشین لرنینگ چی هست و اصلا چه کاربردی داره یا اینکه چرا ازش استفاده می کنیم.
بعدش قبل از این که وارد جزییات یادگیری ماشین بشیم، سعی می کنیم یه شمای کلی از انواع و اقسام دسته بندی های اون بشیم. تقسیم بندی هایی مثل :
supervised versus unsupervised learning, online versus batch learning, instance-base versus model-based learning
که در ماشین لرنینگ وجود داره می پردازیم. بعد به چالش هایی که معممولا بهش ممکنه بربخورین می پردازیمو این که چجوری میتونین یادگیریتونو بهتر کنید؟
اینم بگم که مفاهیمی که در این فصل ارایه می شه شاید تا حدی پایه ای باشه اما هر دیتا ساینسی باید اونا رو از ته قلبش بلد باشه !
پس در جلسات بعدی با ما همراه باشین .