لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مبانی یادگیری ماشین (Machine Learning)
- آخرین آپدیت
دانلود Fundamentals of Machine Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره دارای قابلیت Coursera Coach است!
روشی هوشمندانهتر برای یادگیری با گفتگوهای تعاملی و بلادرنگ که به شما کمک میکند تا دانش خود را آزمایش کنید، پیشفرضها را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیقتر کنید.
این دوره یک بنیاد جامع در زمینه یادگیری ماشین ارائه میدهد و شما را با جنبههای نظری و عملی این حوزه قدرتمند آشنا میکند. با یادگیری مبانی الگوریتمها، مدلها و تکنیکها، مهارتهای لازم برای طراحی، پیادهسازی و ارزیابی موثر سیستمهای یادگیری ماشین را کسب خواهید کرد. در طول این دوره، شما به طور عمیق در روشهای مختلف از جمله رگرسیون، طبقهبندی، درختهای تصمیم، SVM، یادگیری عمیق و موارد دیگر غوطهور خواهید شد.
ساختار دوره شامل سخنرانیها، آزمایشگاههای عملی و ماژولهای متمرکز بر یادگیری عمیق است. آموزش با مفاهیم بنیادی مانند یادگیری آماری شروع شده و به مدلهای پیچیدهای مانند شبکههای عصبی و ماشینهای بردار پشتیبان (SVM) میرسد. همچنین ابزارهای کاربردی مانند تحلیل مؤلفههای اصلی (PCA)، جنگلهای تصادفی و معیارهای طبقهبندی را بررسی خواهید کرد که به شما در ایجاد اعتماد به نفس در هر دو بخش تئوری و کاربرد کمک میکند.
این دوره برای کسانی که در زمینه یادگیری ماشین تازهکار هستند ایدهآل است و هیچ تجربه قبلی در برنامهنویسی یا علوم داده را پیشنیاز نمیداند. با این حال، داشتن درک پایه از جبر و آمار مفید خواهد بود. این دوره برای زبانآموزان در تمامی سطوح طراحی شده است و در حالی که یک نقطه ورود در دسترس به یادگیری ماشین فراهم میکند، بینشهای فنی عمیقی را برای دانشجویان با تجربه بیشتر ارائه میدهد.
در پایان این دوره، شما قادر خواهید بود مدلهای یادگیری ماشین را پیادهسازی کنید، از تکنیکهای یادگیری عمیق استفاده کنید، عملکرد مدل را ارزیابی کنید و متدهای یادگیری ماشین را بر روی مجموعهدادههای واقعی اعمال نمایید.
سرفصل ها و درس ها
سخنرانیها
Lectures
خوشآمدگویی
Welcome
مقدمه
Introduction
مبانی یادگیری آماری
Basics in Statistical Learning
رگرسیون خطی
Linear Regression
طبقهبندی (Classification)
Classification
نمونهبرداری و بوتاسترپ
Sampling and Bootstrap
انتخاب مدل
Model Selection
فراتر از خطی بودن
Going Beyond Linearity
روشهای مبتنی بر درخت – بخش اول
Tree-Based Methods – Part 1
روشهای مبتنی بر درخت – بخش دوم
Tree-Based Methods – Part 2
ماشین بردار پشتیبان (SVM)
Support Vector Machine (SVM)
یادگیری عمیق
Deep Learning
یادگیری بدون نظارت
Unsupervised Learning
معیارهای طبقهبندی
Classification Metrics
آزمایشگاههای عملی
Labs
رگرسیون خطی
Linear Regression
رگرسیون لجستیک
Logistic Regression
ریج (Ridge)
Ridge
درخت تصمیم
Decision Tree
جنگلهای تصادفی
Random Forests
ماشین بردار پشتیبان (SVM)
Support Vector Machine (SVM)
نمایش نظرات