این دوره با عنوان «طراحی و پیاده‌سازی یادگیری با نظارت»، یک دوره بنیادین و در عین حال کاملاً کاربردی است که به‌عنوان سنگ‌بنای ورود به دنیای علم داده و یادگیری ماشین طراحی شده است. در حالی که بسیاری از دوره‌ها صرفاً به مباحث نظری می‌پردازند، این برنامه با ساختاری گام‌به‌گام و پروژه‌محور، هنرجو را از مرحله ایده تا پیاده‌سازی یک مدل عملیاتی همراهی می‌کند. تمرکز اصلی این دوره بر روی مسائل نظارت‌شده (Supervised Learning) شامل دو شاخه اصلی رگرسیون (پیش‌بینی مقادیر پیوسته) و طبقه‌بندی (پیش‌بینی برچسب‌های گسسته) است و تمامی مهارت‌های مورد نیاز برای مواجهه با داده‌های دنیای واقعی را پوشش می‌دهد.

دوره با مفاهیم پایه‌ای هوش مصنوعی و یادگیری ماشین آغاز می‌شود و تفاوت‌های حیاتی میان یادگیری نظارت‌شده، بدون نظارت و تقویتی را برای هنرجو تبیین می‌کند. در اولین گام عملی، هنرجو با چرخه حیات یک پروژه داده‌کاوی آشنا شده و محیط برنامه‌نویسی خود را با کتابخانه‌های محبوبی همچون NumPy، Pandas و Matplotlib آماده می‌سازد. فصل دوم به یکی از مهم‌ترین مراحل هر پروژه، یعنی پیش‌پردازش و پاک‌سازی داده اختصاص دارد. در این بخش، هنرجو می‌آموزد که چگونه با داده‌های گمشده (Missing Values) برخورد کند، ویژگی‌های عددی و دسته‌ای را مدیریت نماید، مقیاس‌سازی (Standardization و Normalization) را اعمال کرده و با انجام تحلیل داده اکتشافی (EDA) و رسم هیستوگرام و نمودار جعبه‌ای، الگوهای پنهان در داده را کشف کند.

پس از آماده‌سازی داده، هنرجو وارد قلب یادگیری ماشین می‌شود و با مدل‌های خطی آشنا می‌گردد. او ابتدا رگرسیون خطی ساده و چندگانه را از دیدگاه ریاضی (تابع هزینه MSE و الگوریتم کاهش گرادیان) بررسی کرده و سپس آن را به‌صورت عملی روی دیتاست‌هایی مانند پیش‌بینی قیمت مسکن پیاده‌سازی می‌کند. در ادامه، رگرسیون لجستیکی به‌عنوان یکی از قدرتمندترین ابزارهای طبقه‌بندی دودویی و چندکلاسه معرفی می‌شود؛ جایی که هنرجو با تابع سیگموئید، تابع هزینه آنتروپی متقاطع و مفهوم مرز تصمیم (Decision Boundary) آشنا شده و آن را برای مسائلی مانند تشخیص اسپام به کار می‌گیرد.

بخش میانی دوره به مدل‌های غیرخطی و مبتنی بر درخت اختصاص دارد. هنرجو نخست با الگوریتم K-نزدیک‌ترین همسایه (KNN) و مفهوم فاصله آشنا می‌شود و سپس به سراغ درخت تصمیم (Decision Tree) می‌رود. او معیارهای ناخالصی مانند آنتروپی و شاخص جینی را می‌آموزد، ساختار درخت را مصورسازی کرده و با تکنیک هرس (Pruning) و تنظیم عمق درخت، با مشکل بیش‌برازش مقابله می‌کند. از آنجا که مدل‌های تکی اغلب دارای خطای بالایی هستند، دوره به‌صورت ویژه‌ای بر روی یادگیری گروهی (Ensemble Methods) تمرکز می‌کند. هنرجو با مفاهیم Bagging و Boosting آشنا شده و جنگل تصادفی (Random Forest)، AdaBoost و Gradient Boosting را پیاده‌سازی می‌کند و می‌آموزد که چگونه اهمیت ویژگی‌ها (Feature Importance) را استخراج و تحلیل نماید.

در ادامه، دوره به یکی از قدرتمندترین الگوریتم‌های کلاسیک یعنی ماشین‌های بردار پشتیبان (SVM) می‌پردازد. هنرجو مفهوم حاشیه حداکثری، بردارهای پشتیبان و ترفند کرنل (Kernel Trick) را فراگرفته و با کرنل‌های خطی، چندجمله‌ای و RBF روی داده‌های غیرخطی آزمایش می‌کند. او با استفاده از جستجوی شبکه‌ای (Grid Search)، هایپرپارامترهای C و Gamma را بهینه‌سازی می‌نماید. بخش انتهایی دوره به مباحث حیاتی ارزیابی و تنظیم‌سازی اختصاص دارد. هنرجو می‌آموزد که چگونه مدل را با استفاده از اعتبارسنجی متقابل (K-Fold Cross-Validation) به‌درستی ارزیابی کند، ماتریس درهم‌ریختگی (Confusion Matrix) را تحلیل نموده و معیارهای دقت، صحت و یادآوری (Precision و Recall) را محاسبه نماید. در نهایت، با مفهوم موازنه بایاس و واریانس (Bias-Variance Tradeoff) و تکنیک‌های تنظیم‌سازی (Regularization) شامل L1 (Lasso) و L2 (Ridge) آشنا شده و با ترسیم منحنی یادگیری (Learning Curve)، مهارت تشخیص و درمان بیش‌برازش را کسب می‌کند.

دستاورد نهایی این دوره، تبدیل یک برنامه‌نویس تازه‌کار به یک متخصص علم داده است که توانایی مواجهه با چالش‌های واقعی داده‌های جدولی را دارد. این دوره برای دانشجویان، مهندسان نرم‌افزار و علاقه‌مندان به حوزه هوش مصنوعی طراحی شده و آن‌ها را برای ورود به بازار کار و انجام پروژه‌های صنعتی در زمینه تحلیل داده، پیش‌بینی و سیستم‌های تصمیم‌یار کاملاً آماده می‌سازد.