راهنمای عملی هوش مصنوعی و یادگیری ماشین - تسلط به مهارت‌های فناوری آینده

آنچه یاد خواهید گرفت:

• درک عمیق خود از تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق را نشان دهید.
• به طور واضح توضیح دهید چرا مدل‌های زبانی بزرگ مانند چت جی پی تی و بارد هوشمند نیستند.
• تفاوت بین یادگیری ماشین تحت نظارت، بدون نظارت و تقویتی را توضیح دهید.
• مفهوم یادگیری ماشین و ارتباط آن با هوش مصنوعی را توضیح دهید.
• هوش مصنوعی (AI) را تعریف کنید و آن را از هوش انسانی تمایز دهید.
• توصیف کنید هوش مصنوعی چیست و چه نیست.
• توضیح دهید کدام نوع از سیستم‌های نرم‌افزاری پیچیده، سیستم‌های هوش مصنوعی نیستند.
• توصیف کنید چگونه یادگیری ماشین با رویکرد توسعه نرم‌افزار کلاسیک متفاوت است.
• یادگیری تقویتی تحت نظارت، بدون نظارت و تقویتی را مقایسه کنید و تمایز دهید.
• اصطلاحات یادگیری ماشین تحت نظارت و بدون نظارت مانند الگوریتم‌ها، مدل‌ها، برچسب‌ها و ویژگی‌ها را توضیح دهد.
• تقریب‌‌زن‌های تابع و نقش شبکه‌های عصبی به عنوان تقریب تقریب‌‌زن‌های تابع گلوبال را توضیح دهید.
• رمزگذاری و رمزگشایی هنگام استفاده از مدل‌های یادگیری ماشین برای کار با داده نوع دسته‌ای و غیرعددی را توضیح دهید.
• درک شهودی از مفاهیم یادگیری تقویتی مانند ایجنت‌ها، محیط‌ها، پاداش‌ها و اهداف نمایش دهید.
• نمونه‌های هوش مصنوعی در زندگی روزمره را شناسایی کنید و در مورد تاثیر آن‌ها بحث کنید.
• اثربخشی کاربردهای مختلف هوش مصنوعی در سناریوهای واقعی را ارزیابی کنید.
• اصول اولیه شبکه‌های عصبی را در یک مسئله فرضی اعمال کنید.
• در مورد نقش داده در آموزش مدل‌های هوش مصنوعی بحث کنید.
• یک مدل شبکه عصبی را برای یک تسک خاص ساختاردهی کنید.
• تاثیر هوش مصنوعی بر بازارهای شغلی و الزامات مهارتی را ارزیابی کنید.
• یک فرآیند یادگیری ماشین تحت نظارت و end-to-end برای رسیدگی به یک مشکل رگرسیون با مدل بیلدر مایکروسافت و ML.Net را مشاهده کنید.
• تسک‌ها و فعالیت‌هایی که پشت صحنه انجام می‌شوند، از آماه‌سازی داده تا آموزش و ارزیابی مدل را درک کنید.
• تبدیل داده، مقیاس‌بندی ویژگی، iterate در الگوریتم‌ها، معیارهای ارزیابی، بیش‌برازش، اعتبارسنجی متقابل و منظم‌سازی را درک کنید.
• تاثیر معیارهای ارزیابی بر عملکرد مدل و اینکه چگونه بیش‌برازش را بررسی کنید را درک کنید.
• اصول ماندگار یادگیری ماشین که از ابزارها یا پلتفرم‌هایی که می‌توانیم استفاده کنیم مستقل هستند را درک کنید.
• درک عمیقی از مفاهیم یادگیری ماشین از طریق مشاهده آن‌ها در عمل و در طول نمایش یادگیری ماشین کاربردی بدست آورید.
• اهمیت تحلیل داده اکتشافی (EDA) و تاثیری که توزیع آماری داده روی عملکرد مدل دارد را درک کنید.
• یاد بگیرید چگونه ویژوال استودیو را راه‌اندازی کنید و آن را برای فعال‌سازی مدل بیلدر، ابزار گرافیکی مورد استفاده برای نمایش فرآیند یادگیری ماشین، پیکربندی کنید.
• یاد بگیرید چگونه از مدل بیلدر برای آموزش مدل‌ها بدون کدنویسی استفاده کنید.

پیش‌نیازهای دوره

• الزامات یا پیش‌نیازی برای این دوره وجود ندارد، اما دانش قبلی از موارد زیر مزایا و ارزش دوره را افزایش خواهد داد:
  • ریاضی دبیرستان و علاقه عمیق به دنیای یادگیری ماشین
  • دانستن اهمیت ریاضی و آمار در یادگیری ماشین
  • سواد اولیه کامپیوتر، شامل آشنایی با کار با کامپیوتر
  • درک اولیه از یادگیری تحت نظارت لازم است. دانشجویان حداقل باید بدانند رگرسیون چیست، ویژگی‌ها چه هستند و آموزش مدل برای برازش یک تابع در ویژگی‌های ورودی برای پیش‌بینی برچسب‌ها به چه معنا است.
  • دانشجویان باید یک ماشین ویندوز با چند گیگابایت فضای دیسک خالی برای نصب ویژوال استودیو داشته باشند تا فرآیند یادگیری ماشین که مدرس نمایش می‌دهد را رپلیکیت کنند، با این حال، ضروری نیست.
  • ماشین ویندوز اینده‌آل است، اما دانشجویانی که مک دارند نیز می‌توانند دوره را دنبال کنند.

توضیحات دوره

آینده را آنلاک کنید، دنیای هوش مصنوعی و یادگیری ماشین را بررسی کنید!

به یک سفر فوق‌العاده به دنیای هوش مصنوعی و یادگیری ماشین خوش آمدید. این دوره تحت نظر متخصص صنعت، پیتر آکما، نه تنها یک تجربه آموزشی است، بلکه ماجراجویی به دنیای فناوری‌هایی است که آینده ما را شکل می‌دهند. فرقی نمی‌کند که یک مبتدی کنجکاو هستید، یک رهبر کسب‌وکار یا یک متخصص فناوری مبتدی، این دوره وعده می‌دهد که درک شما را از برخی از پیشرفته‌ترین موضوعات حوزه فناوری متحول کند.

چرا این دوره؟

• طراحی شده برای کنجکاوی و حرفه: این دوره برای رشد شخصی و حرفه‌ای طراحی شده است و هوش مصنوعی و یادگیری ماشین را به گونه‌ای ارائه می‌دهد که برای همه قابل درک باشد. این دوره برای متخصصان پرمشغله، کارآفرینان و هر کسی که تشنه دانش است، مناسب است.
• بدون ترس از ریاضی: ما دوره را به گونه‌ای طراحی کرده‌ایم که شامل همه باشد و نیاز به تخصص قبلی در ریاضی یا برنامه‌نویسی نداشته باشد. هدف این است که مفاهیم را به شیوه‌ای دوستانه و قابل فهم درک کنید.

آنچه یاد خواهید گرفت:

• درک مفاهیم اساسی: تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق را درک کنید. بیاموزید چه چیزی آن‌ها را از هم متمایز می‌کند و چگونه صنایع را متحول می‌کنند.
• رد افسانه‌ها: کشف کنید چرا سیستم‌هایی مانند چت جی پی تی واقعاً هوشمند نیستند و محدودیت‌های فناوری‌های هوش مصنوعی کنونی را بررسی کنید.
• مهارت‌های عملی: با ابزارهایی مانند مدل بیلدر مایکروسافت و ML.Net تجربه عملی کسب کنید. کل فرآیند یادگیری ماشین از آماده‌سازی داده تا ارزیابی مدل را درک کنید.
• کاربردهای واقعی: ببینید هوش مصنوعی و یادگیری ماشین چگونه در بخش‌های مختلف به کار برده می‌شوند. درباره تأثیر آن‌ها بر بازارهای کار و الزامات مهارتی بحث کنید.

نکات کلیدی دوره:

• ویدئوهای جذاب آموزشی: بیش از 4 ساعت محتوای ویدئویی با کیفیت و جذاب که ایده‌های پیچیده را به بخش‌های قابل فهم تقسیم می‌کند.
• موضوعات جامع: از مبانی شبکه‌های عصبی تا جزئیات یادگیری تحت نظارت و غیر نظارت
• نمایش‌های عملی: با تمرینات و نمایش‌های عملی یاد بگیرید.
• منابع یادگیری پویا: یک مقاله و یک منبع قابل دانلود برای تکمیل سفر یادگیری شما
• دسترسی از موبایل و پی‌سی: در هر زمان و مکانی یا از راحتی نشیمن خود بیاموزید.

ساختار دوره:

این دوره به 9 بخش جامع تقسیم شده است که هرکدام به نحوی طراحی شده‌اند که دروس قبلی را تقویت کنند و از یک منحنی یادگیری هموار اطمینان حاصل کنند. با معرفی هوش مصنوعی و یادگیری ماشین شروع می‌شود و به موضوعات مختلفی مانند تقریب‌زنی تابع، شبکه‌های عصبی و یادگیری عمیق پرداخته و با نمایش‌های عملی از یادگیری ماشین به پایان می‌رسد.

اکنون در این دوره شرکت کنید و درک خود را از هوش مصنوعی و یادگیری ماشین متحول کنید!

به ما در این سفر جذاب به دنیای هوش مصنوعی و یادگیری ماشین بپیوندید. با راهنمایی‌های تخصصی، محتوای جذاب و بینش‌های عملی پیتر آکما، شما تنها یاد نخواهید گرفت، بلکه خود را برای آینده آماده خواهید کرد.

این دوره برای چه کسانی مناسب است؟

• مدیران و مدیران اجرایی کسب‌وکارها
• متخصصان پرمشغله که می‌خواهند اصول هوش مصنوعی را کوتاه و آسان، اما عمیق یاد درک کنند.
• کارآفرینان و بنیانگذاران استارت‌آپ
• مشاوران فناوری
• افراد کاملا مبتدی
• توسعه دهندگان و مدیران محصول
• متخصصان غیرفنی
• علاقه‌مندان به هوش مصنوعی و یادگیری ماشین
• اگر ریاضی دوست ندارید، این دوره برای شما مناسب نیست.
• همچنین، اگر به دنبال نکات کدنویسی و جزئیات فنی درباره الگوریتم‌های مختلف یادگیری ماشین، پیش‌انتشار در شبکه‌های عصبی، توابع ضرر، گرادیان کاهشی، متدهای گرادیان سیاست و غیره هستید، این مجموعه از درس‌ها قطعا برای شما نیست.
• این دوره برای علاقه‌مندان به یادگیری ماشین سطح مبتدی است که کمی دانش نظری از یادگیری ماشین دارند، اما می‌خواهند آن را به طور عملی تجربه کنند.
• علاقه‌مندان به یادگیری ماشین که سابقه‌ای در آمار، علم داده یا برنامه‌نویسی ندارند، اما می‌خواهند پیچیدگی‌های یادگیری ماشین را در عمل ببینند.
• علاقه‌مندان به یادگیری ماشین که می‌خواهند مفاهیم پیچیده را با مشاهده آن‌ها در عمل یاد بگیرند، به جای اینکه فقط ارائه آن ا ببینند.
• افراد مبتدی فنی که می‌خواهند اصول یادگیری ماشین را قبل از رفتن به سمت دوره‌های پیشرفته‌تر که در آن‌ها دانش دقیق از آمار، حساب انتگرال و دیفرانسیل و برنامه‌نویسی نیاز است، یاد بگیرند.