چرخه حیات پروژه در علم داده

در این ارائه، به بررسی جامع چرخه حیات پروژه‌های علم داده (Data Science Lifecycle) و کاربرد یادگیری ماشین در حل مسائل واقعی می‌پردازیم.

همچنین گام‌به‌گام فرایند حل یکی از معروف‌ترین مسائل کگل (مسئله پیش‌بینی بازماندگان تایتانیک) را از تحلیل اکتشافی داده‌ها (EDA) و پیش‌پردازش تا انتخاب و ارزیابی مدل‌های مختلف بررسی می‌کنیم.

📌 آنچه در این ویدیو بررسی می‌شود:

• تفاوت یادگیری نظارت‌شده (Supervised) و نظارت‌نشده (Unsupervised)
• مراحل درک مسئله و تحلیل اکتشافی داده‌ها (EDA)
• پیش‌پردازش داده‌ها، مدیریت مقادیر گمشده (Missing Values) و داده‌های پرت (Outliers)
• مهندسی ویژگی (Feature Engineering) و انکودینگ (Encoding)
• آشنایی با مدل‌های رگرسیون، درخت تصمیم (Decision Tree) و روش‌های Ensemble (مانند Random Forest و XGBoost)
• معیارهای ارزیابی مدل‌ها (Accuracy, Precision, Recall, F1-Score, ROC Curve)
• پیاده‌سازی گام‌به‌گام مسئله تایتانیک با کتابخانه Scikit-Learn