نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره بر الگوریتمهای ضروری یادگیری ماشین و تکنیکهای اعتبارسنجی مدلها تمرکز دارد و زبانآموزان را به مهارتهای لازم برای ساخت سیستمهای پیشبینی دقیق و قابل اعتماد مجهز میکند. در این دوره بر کاربرد عملی مفاهیم تئوری، از مدلهای یادگیرنده ساده تا مجموعههای پیچیده (Ensembles) تأکید شده است.
شرکتکنندگان تجربه عملی در بهکارگیری مدلهای خطی، ماشینهای بردار پشتیبان (SVM)، شبکههای عصبی و روشهای Ensemble را کسب خواهند کرد. این دوره شما را در ارزیابی عملکرد مدل، بهرهگیری از معیارهای شباهت و درک نقاط قوت و محدودیتهای هر الگوریتم برای کاربردهای دنیای واقعی راهنمایی میکند.
آنچه این دوره را متمایز میکند، تعادل میان تئوریهای بنیادین و تمرینات کاربردی است. هر موضوع با مثالهای عملی همراه شده است تا یادگیری تقویت شده و کاربردهای واقعی در حوزههای مختلف به نمایش گذاشته شود.
این دوره برای علاقهمندان به علوم داده، تحلیلگران و متخصصان نرمافزار که به دنبال تعمیق دانش خود در الگوریتمهای یادگیری ماشین هستند، طراحی شده است. آشنایی اولیه با زبان پایتون و مفاهیم پایه آمار توصیه میشود.
این دوره، بخش دوم از یک تخصص سه بخشی است که برای ایجاد یک مسیر یادگیری جامع در این حوزه طراحی شده است. اگرچه این دوره به تنهایی ارزش و مهارتهای کاربردی ارائه میدهد، اما برای پیشرفتی یکپارچه و عمیقتر، گذراندن کل دوره تخصص پیشنهاد میشود.
این تخصص بر اساس کتاب Machine Learning For Dummies نوشته جان پل مولر تهیه شده است.
کپیرایت © ۲۰۲۶ متعلق به John Wiley & Sons, Inc. تمامی حقوق محفوظ است.
سرفصل ها و درس ها
اعتبارسنجی یادگیری ماشین
Validating Machine Learning
شروع با یادگیرندههای ساده
Starting with Simple Learners
بهرهگیری از شباهتها
Leveraging Similarity
کار با مدلهای خطی به روش آسان
Working with Linear Models the Easy Way
فراتر از مبانی با ماشینهای بردار پشتیبان
Going Beyond the Basics with Support Vector Machines
مقابله با پیچیدگیها با شبکههای عصبی
Tackling Complexity with Neural Networks
استفاده از مجموعههای یادگیرنده (Ensembles)
Resorting to Ensembles of Learners
نمایش نظرات