لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش آشنایی با یادگیری ماشین کاربردی
- آخرین آپدیت
دانلود Introduction to Applied Machine Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره برای متخصصانی طراحی شده است که با مفاهیم یادگیری ماشین آشنا شدهاند و قصد دارند از این فناوری برای تحلیل دادهها و اتوماسیون استفاده کنند. فارغ از اینکه در حوزه مالی، پزشکی، مهندسی، کسبوکار یا هر زمینه دیگری فعالیت میکنید، این دوره شما را با نحوه تعریف مسئله و آمادهسازی دادهها در یک پروژه یادگیری ماشین آشنا میکند.
در پایان این دوره، شما قادر خواهید بود یک مسئله یادگیری ماشین را با استفاده از دو رویکرد مختلف به طور دقیق تعریف کنید. همچنین میآموزید که منابع دادههای موجود را بررسی کرده و کاربردهای بالقوه یادگیری ماشین (ML) را شناسایی کنید. شما یاد میگیرید که چگونه یک نیاز تجاری را به یک برنامه کاربردی یادگیری ماشین تبدیل کنید و دادهها را برای اجرای موثر این برنامهها آماده سازید.
این دوره، اولین بخش از تخصص یادگیری ماشین کاربردی است که توسط Coursera و مؤسسه هوش ماشینی آلبرتا ارائه شده است.
سرفصل ها و درس ها
آشنایی با کاربردهای یادگیری ماشین
Introduction to Machine Learning Applications
مقدمهای بر تخصص یادگیری ماشین کاربردی
Introduction to the Applied Machine Learning Specialization
معرفی مدرس
Instructor Introduction
آشنایی با دوره اول
Introduction to Course 1
هوش مصنوعی و یادگیری ماشین چیست؟
What is Artificial Intelligence and Machine Learning?
علم داده چیست و چه تفاوتی دارد؟
What about Data Science?
فرآیند یادگیری ماشین
The Machine Learning Process
سه نوع اصلی یادگیری ماشین
The Three Kinds of Machine Learning
طبقه بندی: چیست و چگونه کار میکند؟
Classification: What is it and how does it work?
رگرسیون: برازش خطوط و پیشبینی اعداد
Regression: Fitting lines and predicting numbers
یادگیری بدون نظارت
Unsupervised Learning
یادگیری تقویتی
Reinforcement Learning
خلاصه هفته اول
Weekly Summary
یادگیری ماشین در دنیای واقعی
Machine Learning in the Real World
تعمیمپذیری و نحوه یادگیری واقعی ماشینها
Generalization and how machines actually learn
ویژگیها و تبدیلهای دادههای خام
Features and transformations of raw data
موردی: بتتی و برنامههای کشاورزی دقیق او
Farmer Betty and Her Precision Agriculture Plans
ملاحظات هنگام استفاده از QuAM
What to consider when using your QuAM
محدود کردن مثالهای کلی به موارد خاص
Broad Examples Narrowed Down
شناسایی ارزیابی کسبوکار
Identify Business Evaluation
همه چیز یک جایگزین (Proxy) است
Everything is a Proxy
خلاصه هفته دوم
Weekly Summary
آموزش دادهها
Learning Data
منابع دادههای آموزشی
Sources of Training Data
به چه مقدار داده نیاز دارم؟
How Much Data Do I Need?
مسائل اخلاقی در دادهها
Ethical Issues
سوگیری در منابع داده
Bias in Data Sources
نویز و منابع تصادفی بودن
Noise and Sources of Randomness
مثال طبقهبندی تصاویر
Image Classification Example
پاکسازی دادهها: محبوبترین وظیفه همه
Data Cleaning: Everybody's favourite task
چرا به ایجاد خط لوله داده (Data Pipeline) نیاز دارید؟
Why you need to set up a Data Pipeline
خلاصه هفته سوم
Weekly Summary
پروژههای یادگیری ماشین
Machine Learning Projects
مروری بر MLPL
MLPL Overview
تجربه بتتی از MLPL
MLPL as experienced by Farmer Betty
بررسی فرآیند تعریف مسئله
Exploring the process of problem definition
ارزیابی QuAM برای استفاده در کسبوکار
Assessing your QuAM for use in your Business
ارزیابی فنی قدرت QuAM
Technically Assessing the Strength of your QuAM
نمایش نظرات