دوره پیش‌بینی NBA با هوش مصنوعی: از داده تا استقرار، گام‌به‌گام

آنچه یاد خواهید گرفت: ساخت یک پروژه‌ی یادگیری ماشین ابتدا تا انتها با استفاده از داده واقعی NBA مهندسی ویژگی‌های معنادار مانند مومنتوم تیم، زمینه‌ی بازی و روندهای عملکرد آموزش، ارزیابی و بهینه‌سازی مدل‌هایی مانند رگرسیون لجستیک و XGBoost شبیه‌سازی یک فصل کامل NBA و پیش‌بینی نتایج مسابقات با پیش‌بینی‌های batch نمایش بینش‌ها و پیش‌بینی‌ها با استفاده از داشبوردهای Tableau استقرار اپلیکیشن نهایی روی Hugging Face با استفاده از Streamlit و Docker پیش‌نیازهای دوره دانش اولیه Python و pandas (مفید است، اما الزامی نیست - در طول دوره آن را آموزش می‌دهیم) نیازی به تجربه‌ی قبلی در یادگیری ماشین نیست - این دوره برای کسانی که اولین پروژه‌ی خود را می‌سازند کاملاً مناسب است. به یک کامپیوتر با دسترسی به اینترنت و تمایل به آزمایش و یادگیری نیاز دارید. حساب‌های رایگان برای GitHub، Hugging Face و در صورت تمایل Tableau Public توضیحات دوره در این دوره‌ی عملی، ورزش و هوش مصنوعی در کنار هم قرار می‌گیرند و شما یک موتور پیش‌بینی NBA کامل را از ابتدا می‌سازید. اگر همیشه می‌خواستید ببینید علم داده، یادگیری ماشین و تحلیل واقعی ورزش چگونه با هم ترکیب می‌شوند، این فرصت شماست. به‌جای تکیه بر تئوری صرف، یک پایپ لاین ابتدا تا انتها کامل را طی می‌کنید و داده خام بسکتبال را به یک اپلیکیشن هوش مصنوعی کاملاً مستقر تبدیل می‌کنید. کار را با آماده‌سازی داده آغاز می‌کنید و یاد می‌گیرید چگونه داده بازی‌های NBA را پاک‌سازی، سازمان‌دهی و بررسی کنید. سپس وارد مهندسی ویژگی می‌شویم و شاخص‌های قدرتمندی مانند میانگین‌های متحرک، تفکیک بازی‌های خانگی و خارج از خانه، و روندهای حریف را می‌سازیم تا مدل شما عملکرد بهتری داشته باشد. بعد به سراغ مدل‌سازی می‌روید، الگوریتم‌های یادگیری ماشین را آموزش می‌دهید و ارزیابی می‌کنید و در عین حال از خطاهای رایجی مثل بیش‌برازش جلوگیری می‌کنید. همچنین تست و معیارهای ارزیابی مانند دقت، صحت، یادآوری و زیان لگاریتمی را پوشش می‌دهیم تا بتوانید عملکرد واقعی را اندازه‌گیری کنید. اما کار فقط به اعداد محدود نمی‌شود. شما همچنین مصورسازی‌هایی در Tableau می‌سازید تا بینش‌ها و روندها را به‌خوبی منتقل کنید و نتایج خود را شفاف و تعاملی نمایش دهید. در نهایت، همه‌چیز را در قالب یک اپلیکیشن Streamlit بسته‌بندی می‌کنید و آن را روی Hugging Face Spaces مستقر می‌سازید تا پروژه‌ی شما به‌صورت آنلاین در دسترس باشد - برای اشتراک‌گذاری با کارفرماها، همکاران یا طرفداران آماده است. در پایان دوره، نه‌تنها فرآیند یادگیری ماشین را درک خواهید کرد، بلکه یک پروژه‌ی تحلیل ورزشی آماده‌ی ارائه در پورتفولیو خواهید داشت که نشان می‌دهد می‌توانید یک ایده‌ی هوش مصنوعی را از داده تا استقرار پیش ببرید. آنچه یاد خواهید گرفت: جمع‌آوری، پاک‌سازی و آماده‌سازی داده واقعی بازی‌های NBA برای یادگیری ماشین مهندسی ویژگی‌های قدرتمند مانند میانگین‌های متحرک، آمار حریف و اثرات بازی خانگی/خارج از خانه ساخت و آموزش مدل‌های یادگیری ماشین برای پیش‌بینی نتایج بازی‌های NBA ارزیابی مدل‌ها با استفاده از معیارهای صحت، زیان لگاریتمی، صحت، یادآوری و AUC پرهیز از خطاهایی مانند بیش‌برازش و نشت داده در پروژه‌های تحلیل ورزشی نمایش بینش‌ها و روندهای عملکرد با داشبوردهای تعاملی Tableau ایجاد یک رابط کاربری ساده و مناسب کاربر برای مدل پیش‌بینی با استفاده از Streamlit استقرار اپلیکیشن پیش‌بینی NBA روی Hugging Face Spaces برای دسترسی عمومی ارائه‌ی یک پروژه‌ی هوش مصنوعی آماده‌ی پورتفولیو از داده تا استقرار اعمال همین گردش کار برای سایر ورزش‌ها یا مسائل واقعی تحلیل کسب‌وکار این دوره برای چه کسانی مناسب است؟ توسعه‌دهندگان Python در سطح مبتدی تا متوسط که به یادگیری ماشین در دنیای واقعی علاقه‌مند هستند. افرادی که می‌خواهند به‌عنوان دانشمندان داده یا تحلیلگران یک پروژه‌ی عملی برای پورتفولیو داشته باشند. علاقه‌مندان به ورزش و NBA که می‌خواهند از ML برای پیش‌بینی بازی‌ها استفاده کنند. دانشجویان یا متخصصانی که می‌خواهند وارد توسعه‌ی محصول داده محور شوند.