آموزش مبانی هوش مصنوعی: یادگیری ماشین

Artificial Intelligence Foundations: Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ماشینی یکی از پر جنب و جوش ترین زمینه های هوش مصنوعی است. الگوریتم های یادگیری ماشین به کامپیوترها این امکان را می دهد که بدون اینکه برنامه ریزی شوند چیزهای جدیدی یاد بگیرند. آنها از آمار به عنوان راهی برای درک بهتر حجم گسترده داده هایی که ما هر روز ایجاد می کنیم استفاده می کنند. این الگوریتم های جدید به ماشین ها کمک می کند تا تصاویر ، صداها و فیلم ها را طبقه بندی کنند. آنها می توانند به س questionsالات ما پاسخ دهند ، مواد مخدر جدید کشف کنند و حتی آهنگ بنویسند. در این دوره ، ما تعریف و انواع یادگیری ماشین را بررسی می کنیم: تحت نظارت ، بدون نظارت و تقویت. سپس می توانید نحوه استفاده از الگوریتم های معروف مانند درخت تصمیم ، خوشه بندی و تجزیه و تحلیل رگرسیون را برای دیدن الگوها در مجموعه داده های عظیم خود مشاهده کنید. سرانجام می توانید هنگام شروع کار با یادگیری ماشین ، با برخی از مشکلات آشنا شوید.
موضوعات شامل:
  • نحوه کار با داده را توصیف کنید.
  • اصول یادگیری ماشین را اعمال کنید.
  • انواع مختلف یادگیری ماشین را متمایز کنید.
  • مشکلاتی را که از یادگیری ماشین استفاده می کنند شناسایی کنید.
  • درخت تصمیم گیری ایجاد کنید.
  • نحوه انتخاب بهترین الگوریتم را توضیح دهید.

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

1. یادگیری ماشین چیست؟ 1. What Is Machine Learning?

  • معنی یادگیری چیست What it means to learn

  • با داده کار کنید Work with data

  • یادگیری ماشین را اعمال کنید Apply machine learning

  • انواع مختلف یادگیری ماشین Different types of machine learning

2. راه های مختلفی که یک ماشین می آموزد 2. Different Ways a Machine Learns

  • نظارت Supervised

  • نظارت نشده Unsupervised

  • نیمه نظارت Semi-supervised

  • تقویت Reinforcement

3. الگوریتم های یادگیری ماشین محبوب 3. Popular Machine Learning Algorithms

  • مشکلاتی که از یادگیری ماشین استفاده می کنند Problems that use machine learning

  • درختان تصمیم گیری Decision trees

  • k- نزدیکترین همسایه k-nearest neighbor

  • خوشه بندی K-میانگین K-mean clustering

  • پسرفت Regression

  • بیز ساده و بی تکلف Naive Bayes

4- اعمال الگوریتم ها 4. Applying Algorithms

  • داده ها را دنبال کنید Follow the data

  • داده ها را متناسب کنید Fit the data

  • بهترین الگوریتم را انتخاب کنید Select the best algorithm

5- چالش های مشترک 5. Common Challenges

  • چالش های یادگیری ماشین Machine learning challenges

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش مبانی هوش مصنوعی: یادگیری ماشین
جزییات دوره
1h 17m
20
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
215,952
- از 5
ندارد
دارد
دارد
Doug Rose
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Doug Rose Doug Rose

انتشارات، کلاس درس و آموزش آنلاین