هل يفضل ان اكون مولم بكل الmodles الموجود في مكتبه sklearn ؟

ليس شرطا أن تكون ملما بكل النماذج في مكتبة sklearn لكن مع ذلك يفضل معرفة النماذج الأكثر شيوعا واستخداما وفهم كيفية اختيار وتطبيق النماذج المناسبة لهذا من المهم أن تكون لديك معرفة بالنماذج الأساسية مثل الانحدار الخطي واللوجستي، الأشجار العشوائية، التعزيز التدرجي، آلات الدعم الآلي، نماذج الجيران الأقرب، ونماذج نايف بايز وأن تكون قادرا على استخدام أدوات التقييم والتحسين مثل GridSearchCV وRandomizedSearchCV لضبط وتحسين أداء النماذج مع فهم تقنيات خفض الأبعاد مثل PCA وLDA كما أنها تعتبر مهمة لتبسيط البيانات.

بالنسبة للمقابلات، فقد تسأل عن كيفية عمل النماذج واختيار الأنسب منها، لذا قم بالتركيز على الفهم العميق للنماذج وكيفية تطبيقها، وكن مستعدا لشرح كيفية تحسين الأداء باستخدام هذه النماذج.

ليس المطلوب منك ذلك وذلك ليس ممكننًا، المطلوب هو الإهتمام بالأساسيات وليس المكتبات والإطارات، بعدها تستطيع الإهتمام بذلك.

للتوضيح بخصوص الأساسيات أقصد ما يلي:

فهم الأساسيات المتعلقة بأنواع النماذج المختلفة مثل الانحدار Regression، التصنيف Classification، وخفض الأبعاد Dimensionality Reduction.

والتعمق في النماذج الشائعة،  ركز على النماذج الأكثر شيوعًا واستخدامًا مثل:

• الانحدار الخطي (Linear Regression)
• الانحدار اللوجستي (Logistic Regression)
• شجرة القرار (Decision Tree)
• الغابات العشوائية (Random Forest)
• آلات الدعم المتجهة (Support Vector Machines)
• K-الأقرب جار (K-Nearest Neighbors)
• شبكات العصبية (Neural Networks)
• تحليل المكونات الرئيسية (PCA)

وفهم مفاهيم التقييم والتحقق، مثل دقة النموذج Model Accuracy، الالتباس Confusion Matrix، والتحقق المتقاطع Cross-Validation.

أي عليك التمكن من استخدامها بشكل متقدم نوعًا ما بحيث تستطيع تنفيذ مشاريع كاملة من خلالها،  وسيتم سؤالك عن الأمور الهامة بها وليس كل شيء.

شكراا لحضرتكم