مشروع ML كامل 🔥 | توقع أسعار السيارات 📈💲 الجزء 2: Inference Pipeline (1)

🎥 في هذا الفيديو، سنتعلم كيفية تحويل نموذج Machine Learning الخاص بتوقع أسعار السيارات إلى Inference Pipeline.

🔍 سنشرح بالتفصيل:
1️⃣ مراجعة Training Code: إعادة النظر في خطوات إعداد البيانات وTraining Model واختيار الأنسب.
2️⃣ إعداد Inference Pipeline: تجهيز البيانات وترميزها باستخدام أدوات مثل OneHotEncoder وLabelEncoder.
3️⃣ حفظ المكونات الأساسية: كيفية حفظ Model وEncoders وScaler لضمان عملية Inference سلسة.
4️⃣ خطوات ما قبل الإنتاج: تحويل النموذج إلى صيغة Compatible مع تطبيقات مثل FastAPI.

💡 إذا كنت مهتماً بتعلم كيفية نقل نماذج Machine Learning من مرحلة Training إلى مرحلة الإنتاج العملي، فهذا الفيديو لك!

📈 للمزيد من المعلومات والمشاريع التعليمية، لا تنسَ الاشتراك في القناة وتفعيل الجرس لمتابعة جميع الفيديوهات القادمة.

🔔 تابعوني على وسائل التواصل الاجتماعي لمعرفة كل جديد!

📧 إذا كنت تريد أن أساعدك في مشروعك القادم، تفضل بالتواصل معي مباشرة عبر الرابط:
inesriahi.com/contact

#تعلم_الآلة #توقع_أسعار_السيارات #ذكاء_اصطناعي #Python #MachineLearning #CarPricePrediction
💻 Github Repo:
https://github.com/inesriahi/Machine-...

سلسلة الماشين ليرننج:
   • Machine Learning  

تحميل البايثون باستخدام الأناكوندا:
   • Anaconda أسهل طريقة لتحميل وتثبيت || How t...  
🎁 Matplotlib Playlist:
   • Matplotlib #1 || Introduction + Line PLots...  

🎁 Pandas Playlist:
   • Pandas #1 | Intro & Creating Series Object...  

⚽ احترف الـ Numpy في 6 ساعات:
   • احترف مكتبة نمباي في 6 ساعات بالعربي || Nu...  

📱 Find Me on:
Website: https://www.inesriahi.com
Telegram: @onstube_bot
Github: https://www.github.com/inesriahi
Linkedin:   / inesriahi  
Instagram: @inesalriahi

0:00 Greeting and video introduction
0:34 Review of the previous training video and explanation of the current video content
1:48 Review of the training code and data processing
4:03 Explanation of the final choices for data and the model
7:01 Preparing encoded data and saving it for later use
10:20 Building a label encoder dictionary and linking it to columns
11:04 Training the model and obtaining its evaluation
13:36 Merging training and validation data to improve model performance
16:39 Retraining the final model
18:01 Saving the model, encoder, and scaler
19:17 Ending the video and announcing the next steps

This breakdown captures the key sections of the video for easy navigation and understanding.