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

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش مفاهیم کلیدی یادگیری ماشینی
جزییات دوره
2h 7m
29
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
23
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.