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

  • انواع مختلف خطاها Different Kinds of Wrong

  • خلاصه هفته چهارم Weekly Summary

نمایش نظرات

آموزش آشنایی با یادگیری ماشین کاربردی
جزییات دوره
6h 46m
36
(آخرین آپدیت)
27,955
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده