لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مفاهیم کلیدی یادگیری ماشینی
Key Concepts Machine Learning
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شما را با مفاهیم مورد نیاز برای شناسایی موارد استفاده برای یادگیری ماشین، فرمولبندی یک مسئله ML، برشمردن مسائل متعارفی که ML برای حل آنها استفاده میشود، و جزئیات نحوه اعمال ML بر روی دادههای پیچیده مانند متن، تصاویر را معرفی میکند. الگوریتم های یادگیری ماشینی توانایی تطبیق و یادگیری از تجربیات گذشته را دارند. یادگیری ماشینی به دلیل طیف وسیعی از کاربردها و توانایی باورنکردنی آن در انطباق و ارائه راه حل برای مشکلات پیچیده مهم است. در این دوره، مفاهیم کلیدی یادگیری ماشین، شما یاد خواهید گرفت که موارد استفاده را که در آن ML می تواند راه حل مناسب ارائه دهد، شناسایی کنید و ساختارهای رایج در راه حل های مبتنی بر ML را بشناسید. ابتدا، محدودیتهای رویکردهای مبتنی بر قانون و چگونگی کاهش آنها توسط ML را بررسی خواهید کرد. سپس، انواع مختلف مدلهای ML مانند مدلهای سنتی و مدلهای بازنمایی را کشف خواهید کرد و خواهید دید که چگونه میتوانید ذهنیت ML را برای یافتن راهحلهایی برای پاسخگویی به موارد استفاده خود توسعه دهید. در مرحله بعد، موارد رایج استفاده از ML مانند رگرسیون، طبقه بندی، خوشه بندی و کاهش ابعاد را بررسی خواهید کرد و تفاوت های بین یادگیری تحت نظارت و بدون نظارت را یاد خواهید گرفت. شما همچنین موارد استفاده تخصصی مانند سیستم های توصیه، یادگیری قواعد تداعی و یادگیری تقویتی را مطالعه خواهید کرد و همچنین به کارگیری ML در داده های پیچیده مانند متن، تصاویر و داده های گفتاری را خواهید آموخت. در نهایت، شما یاد خواهید گرفت که چگونه مورد استفاده خود را در یکی از این انواع مشکل فرموله کنید تا بتوان آن را با رویکردی مبتنی بر ML حل کرد. وقتی این دوره را به پایان رساندید، مهارت ها و دانش زیربنای مفهومی یادگیری ماشینی را خواهید داشت که برای تشخیص موارد استفاده برای ML، و اتخاذ رویکردهای رایج ML لازم است.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
معرفی مفهوم یادگیری ماشینی
Introducing Machine Learning Concept
بررسی نسخه
Version Check
پیش نیازها و رئوس مطالب دوره
Prerequisites and Course Outline
یادگیری ماشینی چیست؟
What Is Machine Learning?
سیستم های مبتنی بر قانون
Rule-based Systems
سیستم های مبتنی بر قانون در مقابل سیستم های مبتنی بر ML
Rule-based Systems vs. ML-based Systems
مدلهای سنتی ML و مدلهای نمایشی ML
Traditional ML Models and Representation ML Models
مدلهای سنتی ML در مقابل مدلهای یادگیری عمیق
Traditional ML Models vs. Deep Learning ML Models
ذهنیت یادگیری ماشینی
The Machine Learning Mindset
نمونه هایی از هوش مصنوعی در دنیای واقعی
Examples of AI in the Real World
شناسایی مشکلات حل شده با استفاده از یادگیری ماشینی
Identifying Problems Solved Using Machine Learning
انتخاب راه حل مناسب یادگیری ماشینی
Choosing the Right Machine Learning Solution
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
Supervised vs. Unsupervised Learning
مشکلات تخصصی ML: سیستم های توصیه
Specialized ML Problems: Recommendation Systems
مسائل تخصصی ML: یادگیری قوانین انجمن
Specialized ML Problems: Association Rules Learning
مسائل تخصصی ML: یادگیری تقویتی
Specialized ML Problems: Reinforcement Learning
شناسایی ویژگی های مشکلات خوب ML
Identifying Characteristics of Good ML Problems
چارچوب یک راه حل یادگیری ماشین
Framing a Machine Learning Solution
کاربرد یادگیری ماشینی در داده های پیچیده
Applying Machine Learning to Complex Data
استفاده از ML بر روی داده های متن، تصویر و گفتار
Applying ML to Text, Image, and Speech Data
استفاده از یادگیری ماشینی در داده های متنی
Applying Machine Learning to Text Data
پیش پردازش داده های متنی
Preprocessing Text Data
کاربرد یادگیری ماشینی در داده های تصویری
Applying Machine Learning to Image Data
شهود پشت سیانان
The Intuition Behind CNNs
کاربرد یادگیری ماشینی در داده های گفتاری
Applying Machine Learning to Speech Data
فرموله کردن یک راه حل ساده یادگیری ماشینی
Formulating a Simple Machine Learning Solution
مروری سریع بر رگرسیون خطی
Quick Overview of Linear Regression
گردش کار یادگیری ماشین
The Machine Learning Workflow
نسخه ی نمایشی: کاوش و درک مجموعه داده های حقوق و دستمزد
Demo: Exploring and Understanding the Salary Dataset
نسخه ی نمایشی: مقابله با موارد دور از دسترس و ارزش های گمشده
Demo: Dealing with Outliers and Missing Values
نسخه ی نمایشی: انجام رگرسیون خطی ساده
Demo: Performing Simple Linear Regression
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات