آموزش تشخیص ناهنجاری: یادگیری ماشین، یادگیری عمیق، AutoML - آخرین آپدیت

دانلود Anomaly Detection: Machine Learning, Deep Learning, AutoML

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

بررسی ناهنجاری‌های مبتنی بر زمان، غیر مبتنی بر زمان و تصویر | درک آنچه در یک کتابخانه اتفاق می‌افتد | با هوش مصنوعی Explainer

این دوره به بررسی ناهنجاری‌ها در انواع مختلف داده‌ها می‌پردازد و مفاهیم و تکنیک‌های اساسی را برای شناسایی این ناهنجاری‌ها ارائه می‌دهد. با استفاده از هوش مصنوعی Explainer، فرآیند شناسایی ناهنجاری‌ها شفاف‌تر و قابل فهم‌تر می‌شود.

آنچه در این دوره خواهید آموخت:

  • ناهنجاری چیست؟

  • حوزه‌های کاربرد تشخیص ناهنجاری کدامند؟

  • سه نوع تکنیک تشخیص ناهنجاری چیست؟

  • چگونه داده‌های مبتنی بر زمان را برای ناهنجاری‌ها تجزیه و تحلیل کنیم؟

  • چگونه از یادگیری نظارت‌شده برای شناسایی ناهنجاری‌ها استفاده کنیم؟

  • چگونه الگوریتم‌های یادگیری بدون نظارت مانند DBSCAN و Isolation Forest را برای تشخیص ناهنجاری‌ها به کار ببریم؟

  • چگونه تصاویر را تجزیه و تحلیل کرده و ناهنجاری‌ها را در میان آنها شناسایی کنیم؟

پیش‌نیازها:

ندارد.

به‌روزرسانی‌های اخیر

  • تیر 1403: یک سخنرانی ویدیویی در مورد رویکرد ترکیبی (ترکیب الگوریتم‌های خوشه‌بندی و غیر خوشه‌بندی برای شناسایی ناهنجاری‌ها) اضافه شد.

  • بهمن 1401: یک سخنرانی ویدیویی در مورد "هوش مصنوعی قابل توضیح" اضافه شد. این یک حوزه نوظهور و جذاب برای درک عوامل نتایج است.

  • دی 1401: الگوریتم‌های تشخیص ناهنجاری (رمزگذارهای خودکار، ماشین‌های بولتزمن، شبکه‌های متخاصم) با استفاده از یادگیری عمیق اضافه شد.

  • آذر 1401: همه ما می‌خواهیم بدانیم در داخل یک کتابخانه چه می‌گذرد. ما الگوریتم جنگل ایزوله را با گرفتن چند نقطه داده و شناسایی نقطه ناهنجاری از طریق محاسبه دستی توضیح داده‌ایم. یک رویکرد منحصر به فرد برای توضیح یک الگوریتم!

  • تیر 1401: AutoML تکامل جدید در صنعت فناوری اطلاعات و یادگیری ماشینی است. AutoML در مورد استقرار ML بدون نوشتن هیچ کدی است. تشخیص ناهنجاری با استفاده از PowerBI اضافه شده است.

  • خرداد 1401: یک سخنرانی ویدیویی جدید در مورد متعادل‌سازی مجموعه داده‌های نامتعادل اضافه شده است.

  • اردیبهشت 1401: یک سخنرانی ویدیویی جدید در مورد PyOD: مقایسه 10 الگوریتم اضافه شده است.

توضیحات دوره

یک ناهنجاری، نقطه داده‌ای است که با سایر نقاط داده مطابقت ندارد یا همخوانی ندارد. تشخیص این نقطه ناهنجاری یا مجموعه‌ای از نقاط ناهنجاری در یک حوزه فرآیند می‌تواند بسیار مفید باشد، زیرا می‌تواند به مسائل احتمالی که بر سازمان تأثیر می‌گذارد اشاره کند. در واقع، تشخیص ناهنجاری، گسترده‌ترین حوزه پذیرفته شده در فضای هوش مصنوعی - یادگیری ماشینی در دنیای کسب و کار بوده است. به عنوان یک متخصص هوش مصنوعی، من همیشه از مشتریان خود می‌خواهم که با تشخیص ناهنجاری در سفر هوش مصنوعی خود شروع کنند، زیرا تشخیص ناهنجاری را می‌توان حتی زمانی که در دسترس بودن داده‌ها محدود است، اعمال کرد.

تشخیص ناهنجاری می‌تواند در حوزه‌های زیر اعمال شود:

  • نگهداری پیش‌بینی‌کننده در صنعت تولید

  • تشخیص تقلب در صنایع مختلف

  • فعالیت‌های نظارتی در صنایع مختلف

  • صنایع خدمات مشتریان و خرده فروشی

  • فروش

موارد زیر در این برنامه پوشش داده می‌شود:

  • سه نوع تشخیص ناهنجاری – مبتنی بر زمان، غیر مبتنی بر زمان و تصویر. از این میان، ناهنجاری تصویر یک مرز جدید برای هوش مصنوعی است. درست مانند تجزیه و تحلیل اعداد، اکنون می‌توانیم تصاویر را تجزیه و تحلیل کرده و ناهنجاری‌ها را شناسایی کنیم.

  • مفاهیم یادگیری ماشینی و یادگیری عمیق

  • الگوریتم‌های نظارت‌شده و بدون نظارت (DBSCAN، Isolation Forest)

  • تشخیص ناهنجاری تصویر با استفاده از تکنیک‌های یادگیری عمیق

  • سناریوهایی که می‌توان تشخیص ناهنجاری را در آنها اعمال کرد


تشخیص ناهنجاری حوزه‌ای است که می‌تواند در هر نوع کسب و کاری اعمال شود و از این رو، سازمان‌هایی که وارد سفر هوش مصنوعی می‌شوند معمولاً ابتدا به حوزه تشخیص ناهنجاری می‌پردازند. بنابراین، شما نیز به عنوان متخصص و دانشجو می‌توانید این زمینه فوق‌العاده را بررسی کنید!


سرفصل ها و درس ها

Introduction

  • مقدمه Introduction

  • ساختار دوره Course Structure

سه نوع ناهنجاری The Three Types of Anomalies

  • درک ناهنجاری‌ها Understanding Anomalies

  • سناریوهای کاربردی Application Scenarios

  • ناهنجاری در مقابل داده پرت: آیا هر ناهنجاری یک داده پرت است؟ Anomaly Vs Outlier: Is Every Anomaly An Outlier?

  • درک انواع مختلف ناهنجاری‌ها Understand the different types of anomalies

تشخیص داده پرت Outlier Detection

  • روش Z Score Z Score Method

  • روش بازه بین چارکی (IQR) Inter Quartile Range (IQR) Method

  • روش‌های فاصله Distance Methods

  • DBSCAN DBSCAN

  • تشخیص داده پرت Outlier Detection

تشخیص ناهنجاری - الگوریتم‌های خوشه‌بندی Anomaly Detection - Clustering Algorithms

  • الگوریتم‌های خوشه‌بندی Clustering Algorithms

الگوریتم‌های غیر خوشه‌بندی Non Clustering Algorithms

  • الگوریتم‌های خوشه ای در مقابل غیر خوشه ای Cluster Vs Non Cluster Algorithms

  • Histogram Based Outlier Score (HBOS) Histogram Based Outlier Score (HBOS)

  • الگوریتم Isolation Forest چگونه کار می‌کند؟ How Does Isolation Forest Algorithm Work?

  • برنامه‌نویسی Isolation Forest Isolation Forest Programming

  • رویکرد ترکیبی: ترکیب الگوریتم‌های خوشه‌بندی و غیر خوشه‌بندی Hybrid Approach: Combining Clustering and Non Clustering Algorithms

  • ناهنجاری‌ها با استفاده از Isolation Forest Anomalies Using Isolation Forest

هوش مصنوعی قابل توضیح (XAI): تشخیص ناهنجاری Explainable AI (XAI): Anomaly Detection

  • هوش مصنوعی قابل توضیح: درک خروجی الگوریتم تشخیص ناهنجاری Explainable AI: Understand the Output of Anomaly Detection Algorithm

تشخیص ناهنجاری - نظارت شده Anomaly Detection - Supervised

  • تشخیص ناهنجاری - نظارت شده Anomaly Detection - Supervised

  • پرداختن به مجموعه‌داده‌های نامتعادل Addressing Imbalanced Datasets

تشخیص ناهنجاری - تصاویر Anomaly Detection - Images

  • مقدمه و پیش‌زمینه Intro and Background

  • تشخیص ناهنجاری - تصاویر Anomaly Detection - Images

تشخیص ناهنجاری - سری زمانی Anomaly Detection - Time Series

  • درک تشخیص ناهنجاری در داده‌های سری زمانی Understanding Anomaly Detection in Time Series Data

  • برنامه‌نویسی برای تشخیص ناهنجاری - سری زمانی Programming for Anomaly Detection - Time Series

  • شناسایی ناهنجاری‌ها در داده‌های سری زمانی Identify Anomalies in Time Series Data

تشخیص ناهنجاری با استفاده از یادگیری عمیق Anomaly Detection Using Deep Learning

  • GAN GAN

  • RBM, DBN RBM, DBN

  • Auto Encoder Auto Encoder

  • ساخت مدل‌های تشخیص ناهنجاری Building the anomaly detection models

PyOD: مقایسه ۱۰ الگوریتم PyOD: A comparison of 10 algorithms

  • PyOD: مقایسه ۱۰ الگوریتم PyOD: A comparison of 10 algorithms

رویکرد No Code (AutoML) برای تشخیص ناهنجاری با استفاده از PowerBI No Code (AutoML) approach to anomaly detection using PowerBI

  • AutoML چیست؟ What is AutoML

  • تشخیص ناهنجاری با استفاده از PowerBI Anomaly Detection Using PowerBI

درس جایزه Bonus Lecture

  • درس جایزه Bonus Lecture

نمایش نظرات

آموزش تشخیص ناهنجاری: یادگیری ماشین، یادگیری عمیق، AutoML
جزییات دوره
3.5 hours
30
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,008
4.2 از 5
دارد
دارد
دارد
Govind Kumar
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Govind Kumar Govind Kumar

کارشناس هوش مصنوعی و تحول تجاری خلاصه: بیش از 2 دهه تجربه در MNC ها و استارت آپ های برتر. ایفای نقش رهبری و مدیریت مشاغل در سراسر آسیا و اقیانوسیه و منطقه ژاپن تخصص: هوش مصنوعی ، شش سیگما و نوآوری تجربیات کلیدی: با موفقیت در مراکز تعالی برای جلوگیری از کلاهبرداری و تجزیه و تحلیل خدمات انکوبه شد. تجربه قابل توجهی در توسعه و مدیریت محصول مبتنی بر تفکر طراحی. نقشی اساسی در توسعه محصولات برای بازارهای نوظهور ایفا کرد. آموزش و گواهینامه: B. فنی و MBA تمام وقت از موسسات برتر هند گواهینامه ها در شش سیگما و مدیریت پروژه.