یادگیری ماشین: ساخت، آموزش و توجیه مدل‌ها - آخرین آپدیت

دانلود ML: Build, Train, Justify Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره «یادگیری ماشین: ساخت، آموزش و توجیه مدل‌ها» تجربه‌ای عملی و جامع را برای تبدیل مسائل واقعی کسب‌وکار به وظایف بهینه یادگیری ماشین، آموزش خانواده‌های مختلف مدل‌ها و توجیه انتخاب مدل‌ها با استفاده از استدلال بایاس-واریانس (Bias-Variance) فراهم می‌کند. زبان‌آموزان از طریق ویدئوهای کوتاه، تمرینات عملی و محیط آزمایشگاهی Coursera، مهارت‌های خواندن مشخصات محصول، شناسایی وظیفه صحیح ML و ایجاد جریان‌های کاری مدل‌سازی تکرارپذیر با استفاده از APIها و ردیابی آزمایش‌ها را تمرین می‌کنند. در این دوره، مدل‌های رگرسیون لجستیک، جنگل تصادفی (Random Forest) و گرادیان بوستینگ (Gradient Boosting) روی داده‌های جدولی آموزش داده شده و رفتار مدل‌ها در تقسیم‌بندی‌های مختلف مقایسه می‌شود تا در نهایت، نحوه نوشتن توصیه‌های شفاف و مبتنی بر شواهد آموخته شود. در پایان، کاربران قادر خواهند بود نیازهای کسب‌وکار را به وظایف ML تبدیل کرده، الگوریتم‌های متنوع را آموزش و ارزیابی کنند و مدل‌ها را بر اساس پایداری، تفسیرپذیری و عملکرد (به جای حدس و گمان) انتخاب نمایند.

سرفصل ها و درس ها

یادگیری ماشین: ساخت، آموزش و توجیه مدل‌ها ML: Build, Train, Justify Models

خوش‌آمدگویی و معرفی Welcome and Introduction
نحوه تحلیل مشخصات محصول از دیدگاه یادگیری ماشین How to Read a Product Spec Through an ML Lens
توضیح ساده خانواده‌های وظایف یادگیری ماشین ML Task Families Explained Simply
آموزش مدل‌ها با استفاده از APIهای سازگار Training Models Using Consistent APIs
دمو: آموزش رگرسیون لجستیک، جنگل تصادفی و Linear SVM Demo: Train Logistic Regression, Random Forest, and Linear SVM
درک توازن بایاس-واریانس (Bias-Variance Trade Off) Understanding the Bias–Variance Trade-Off
دمو: مقایسه جنگل تصادفی در مقابل گرادیان بوستینگ در تقسیم‌بندی‌های مختلف Demo: Compare Random Forest vs. Gradient Boosting Across Splits
تبریک و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey