TGViewer
متخصصان علم داده ها data scientists متخصصان علم داده ها data scientists @toobabigdatascience · 1.43K subscribers
Post #3262 123
متخصصان علم داده ها data scientists 🔄چرخه حیات یادگیری ماشین» (Machine Learning Life Cycle) است. ●این چرخه نشان می‌دهد که ساخت یک مدل یادگیری ماشین فقط نوشتن مدل با پایتون! نیست، بلکه یک فرآیند گام‌به‌گام و منظم دارد، اگرچه نه این‌قدر خطی و سرراست که برخی مراحل می‌تواند Iterative باشد! 🔀در…
🔀 پنج مرحله در چرخه حیات یادگیری ماشینی از تشخیص مشکل کسب‌و‌کار تا نگهداری مدل:

۱. تعریف اهداف پروژه (Define Project Objectives)
اولین قدم این است که دقیقاً بدانیم می‌خواهیم چه مشکلی را حل کنیم؟ و آیا این مشکل با این ابزار قابل حل است؟

· مشکل کسب‌وکار را مشخص کنید( نه فقط برای ایجاد یک نون‌دونی ِ جدید).
· از متخصصان حوزه( نه فک و فامیل و آشنایان) مربوطه کمک بگیرید.
· واحد تحلیل و هدف پیش‌بینی را تعیین کنید.
· معیارهای مدل‌سازی را اولویت‌بندی کنید.
· ریسک‌ها و معیارهای موفقیت را در نظر بگیرید.
· تصمیم بگیرید که آیا پروژه را ادامه دهید یا خیر.

۲. جمع‌آوری و بررسی داده‌ها (Acquire & Explore Data)
در این مرحله، داده‌های خام را جمع‌آوری و آماده می‌کنیم، مجددا با کسانی که اهلِ اینکار اند:

· داده‌های مناسب را پیدا کنید.
· داده‌ها را در یک جدول واحد ادغام کنید.
· تحلیل اکتشافی داده‌ها (EDA) را انجام دهید.
· نشت داده‌های را پیدا و حذف کنید.
· مهندسی ویژگی‌ها (Feature Engineering) انجام دهید.

۳. مدل‌سازی داده‌ها (Model Data)
اینجاست که الگوریتم‌ها وارد عمل می‌شوند.

· انتخاب متغیرها (ویژگی‌ها).
· ساخت مدل‌های کاندید.
· اعتبارسنجی و انتخاب بهترین مدل.

۴. تفسیر و ارتباط‌گیری (Interpret & Communicate)
مدل ساخته‌شده باید برای انسان‌ها قابل فهم باشد.

· مدل را تفسیر کنید (بفهمید چرا چنین تصمیمی می‌گیرد).
· بینش‌های مدل را به ذی‌نفعان و تیم ارتباط دهید.

۵. پیاده‌سازی، مستندسازی و نگهداری (Implement, Document & Maintain)
آخرین مرحله، استفاده واقعی از مدل در دنیای واقعی است.

· راه‌اندازی سیستم پیش‌بینی (به صورت دسته‌ای یا API).
· مستندسازی فرآیند مدل‌سازی برای تکرارپذیری.
· ایجاد برنامه نظارت و نگهداری از مدل.

🤖تذکره‌تُن:
درباره ی مرحله ی ۴ : #واقع‌گرایی (واقع‌گرا باشید!)

🤓یک
مدل یادگیری ماشین تا زمانی که نتواند نتایجش را به زبان ساده به مدیران، ذی‌نفعان یا مشتریان توضیح دهد، ارزش تجاری چندانی ندارد. این مرحله در بسیاری از آموزش‌ها نادیده گرفته می‌شود، اما در این چرخه جایگاه ویژه‌ای دارد.


🫪باید عرض کنم مدیران،ذی‌نفعان و مشتریان هر کدام علّت خود را دارند آمّا
علّت مدیران خیلی فرق دارد:
علت مدیر ز علت‌ها جداست
بی‌سوادی هدیه ی خاصِ خداست(صرفا در مورد مدیران)!

■من یک بزرگواری را ملاقات کردم که قبل از هر‌چیز یک دلال بود تا یک مدیر
همان لحظه اول که اسلاید‌ها را روی پرده انداختم گفت :" دَس نیگَه دار یه خُرده!"
عرض کردم :" آقا...آقا... می‌فرمایید ادامه ندهم؟"
فرمودند : قبل از توضیح می‌خواهم تصور کنی داری برای یک بچه ۵ ساله یا یک پِت کوچولوی ملوس خانگی توضیح می دهی! گرفتی؟ دقیقا همونجوری!
عرض کردم :" به‌به....به‌به..." و اسالید (اسلایدها ) را جمع کردم و اینبار خودم رفتم پله ی چهارم منبر نشستم و موعظه را آغاز کردم!
فلذا کسی که این مصور را ساخته، قطعا تجربه داشته ولاغیر.



#ML_LIFECYCLE
#ML
@toobabigdatascience
  • 🤗 2
More from @toobabigdatascience
  1. Oct 5, 2026🔥Skills 🆚 Tools 🆚 MCP #AIAgents @toobabigdatascience
  2. Oct 5, 2026⚠️نکته :اگر روش نامناسبی را انتخاب کنید، هندسه فضای داده‌ها (Data Geometry) دچار اعوجاج می…
  3. Oct 5, 2026⚠️نرمال‌سازی در برابر استانداردسازی: چرا این دو یکسان نیستند؟ بسیاری از افراد این دو مفهوم…
  4. Oct 4, 2026#اکونومیست : روز پس از پایان جنگ در غرب آسیا؛ ایران چه خواهد کرد؟ 🔥 روزگار بلوک‌های مختلف…
  5. Oct 4, 2026با سلام خدمت مخاطبان و همراهان فرهیخته کانال متاسفانه امکان ارسال تصاویر،ویدئو و...مجددا د…
  6. Oct 3, 2026🍂 پاییز ِایستگاه راه‌آهن #بیشه/ لرستان #لرستان #پاییز @toobabigdatascience
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →