دوره مهندسی یادگیری ماشین در شیراز؛ از XGBoost تا استقرار مدل

بسیاری از دوره‌های Machine Learning تا جایی پیش می‌روند که یک مدل روی لپ‌تاپ Accuracy مناسبی می‌گیرد. اما در پروژه واقعی این تازه اول کار است. اگر به دنبال دوره مهندسی یادگیری ماشین در شیراز هستید، باید ببینید آیا دوره درباره ارزیابی درست، Explainability، API و Deployment هم حرف می‌زند یا نه.

Applied ML Engineering چه چیزهایی را پوشش می‌دهد؟

این مرحله سوم رودمپ و شامل ۱۵ جلسه است. تمرکز از مدل‌های پایه به مدل‌های کاربردی‌تر و چرخه تحویل محصول می‌رود.

• Trees & XGBoost: مدل‌های درختی و Boosting برای مسائل واقعی داده.
• Model Evaluation: انتخاب معیار درست و جلوگیری از نتیجه‌گیری اشتباه.
• Clustering: کشف گروه‌های پنهان بدون Label.
• Anomaly Detection: پیدا کردن رفتارها یا نمونه‌های غیرعادی.
• Explainability: پاسخ به این سؤال که «مدل چرا این تصمیم را گرفت؟»
• FastAPI & Docker: تبدیل مدل به سرویس قابل اجرا و قابل انتقال.

چرا XGBoost هنوز مهم است؟

در بسیاری از مسائل Tabular، مدل‌های درختی و Boosting همچنان بسیار قدرتمندند. نکته مهم این نیست که یک الگوریتم را حفظ کنید؛ باید بدانید چه زمانی سراغ آن بروید، چطور Hyperparameterها را کنترل کنید و چطور نتیجه را با Baseline مقایسه کنید.

از مدل تا API؛ بخشی که خیلی‌ها حذف می‌کنند

مدلی که فقط داخل Notebook اجرا شود، هنوز محصول نیست. در این مرحله هنرجو یاد می‌گیرد مدل را پشت یک API قرار دهد، ورودی معتبر بگیرد، پاسخ استاندارد برگرداند و آن را با Docker بسته‌بندی کند. این همان جهشی است که رزومه را از «تمرین آموزشی» به «نمونه‌کار فنی» نزدیک می‌کند.

Explainability چرا در پروژه واقعی مهم است؟

در بسیاری از کاربردها، مخصوصاً کسب‌وکار و تصمیم‌های حساس، عدد خروجی کافی نیست. تیم باید بتواند بفهمد چه ویژگی‌هایی روی تصمیم مدل اثر گذاشته‌اند. Explainability کمک می‌کند خطاها را پیدا کنید، Bias را ببینید و درباره تصمیم مدل با آدم‌های غیرتکنیکال صحبت کنید.

پروژه پایان مرحله چه شکلی باشد؟

خروجی مناسب این مرحله یک Production-style ML API است: مدل آموزش‌دیده، معیارهای ارزیابی، API، مستندات ساده و Dockerfile. حتی اگر پروژه کوچک باشد، این ساختار نشان می‌دهد هنرجو فقط الگوریتم بلد نیست، بلکه چرخه تحویل را می‌فهمد.

پیش‌نیاز

Python، Pandas، Scikit-learn و درک Regression و Classification. اگر این مفاهیم هنوز برایتان تازه‌اند، ابتدا مرحله Data Science & ML Foundations منطقی‌تر است.

سؤالات متداول

ML Engineer با Data Scientist چه فرقی دارد؟

مرزها در شرکت‌ها متفاوت است، اما ML Engineer معمولاً تمرکز بیشتری روی تبدیل مدل به سرویس پایدار، Pipeline، API و Deployment دارد.

Docker برای هوش مصنوعی ضروری است؟

برای شروع نه؛ اما برای انتقال مدل بین محیط‌ها و ساخت سرویس قابل تکرار، یادگیری آن بسیار ارزشمند است.

آیا XGBoost قدیمی شده است؟

خیر. برای بسیاری از داده‌های جدولی همچنان یک انتخاب جدی و رقابتی است.

منابع رسمی

XGBoost Docs · FastAPI · Docker Docs