یادگیری ماشین در مخابرات: از مبانی تا موارد کاربردی واقعی
✅ سرفصل و جزئیات آموزش
این دوره سطح متوسط، به صورت متمرکز به بررسی این موضوع میپردازد که چگونه یادگیری ماشین (ML) شبکههای مخابراتی مدرن را متحول میکند. این دوره برای دانشجویان و متخصصانی طراحی شده است که دانش اساسی در زمینه مخابرات یا هوش مصنوعی دارند و میخواهند درک خود را از کاربردهای یادگیری ماشین در بهینهسازی شبکه، تحلیلهای پیشبینانه و اتوماسیون هوشمند عمیقتر کنند. دوره چندین پارادایم کلیدی یادگیری ماشین را از جمله یادگیری نظارتشده، نظارتنشده و تقویتی پوشش میدهد.
شما از طریق مطالعه موارد کاربردی واقعی، با مفاهیم کلیدی یادگیری ماشین مانند رگرسیون، طبقهبندی، خوشهبندی، آزمون فرضیه, توابع هزینه، گرادیان کاهشی و ارزیابی مدل آشنا خواهید شد. یاد خواهید گرفت که چگونه مدلها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه و تقاضای پهنای باند را پیشبینی میکنند و چگونه تکنیکهای طبقهبندی به تشخیص خطاها و ناهنجاریها کمک میکنند. در پایان این دوره، شما به مهارتهای لازم برای استفاده از یادگیری ماشین جهت ایجاد شبکههای مخابراتی هوشمندتر و سازگارتر مجهز خواهید شد.
یادگیری ماشین در مخابرات: از مبانی تا موارد کاربردی واقعی
-
مقدمه 0:01:08
-
پیشبینی روندهای شبکه مخابراتی با یادگیری ماشین 0:03:06
-
انواع یادگیری ماشین: نظارتشده، نظارتنشده و تقویتی 0:03:30
-
یادگیری نظارتشده: یادگیری از دادههای برچسبدار 0:05:21
-
یادگیری نظارتنشده: کشف الگوها در دادههای مخابراتی 0:04:19
-
یادگیری تقویتی: بهینهسازی شبکههای پویا 0:03:23
-
چگونه شبکههای مخابراتی از یادگیری ماشین برای بهینهسازی توان عملیاتی کاربر استفاده میکنند؟ 0:05:43
-
مزایای یادگیری ماشین در مخابرات 0:03:30
-
یادگیری نظارتشده: رگرسیون در مقابل طبقهبندی 0:02:09
-
پیشبینی سیگنال: درک رگرسیون در مخابرات 0:02:37
-
تشخیص مشکلات شبکه: طبقهبندی در عمل 0:02:51
-
مبانی رگرسیون خطی برای تحلیلهای مخابراتی 0:02:42
-
استفاده از آزمون فرضیه برای پیشبینی عملکرد شبکه 0:05:38
-
توضیح تابع هزینه: اندازهگیری دقت مدل مخابراتی 0:05:03
-
گرادیان کاهشی: تنظیم دقیق مدلهای شبکه 0:05:30
-
بیشبرازش در مقابل کمبرازش: بهینهسازی برای پیشبینیهای مخابراتی 0:03:36
-
طبقهبندی مشکلات شبکه با رگرسیون لجستیک 0:01:44
-
تابع سیگموئید: تبدیل داده به تصمیم 0:02:58
-
درک فرضیه لجستیک برای پیشبینیهای مخابراتی 0:05:09
-
مرزهای تصمیم: جداسازی ترافیک عادی از مخرب 0:04:42
-
تابع هزینه در رگرسیون لجستیک 0:04:03
-
یادگیری نظارتنشده چیست؟ یافتن الگوها بدون برچسب 0:01:34
-
شبکههای خودسازمانده: قدرت خوشهبندی 0:01:32
-
خوشهبندی K-means: بخشبندی مشترکین 0:01:50
-
توزیع گوسی: درک پراکندگی دادههای مخابراتی 0:04:13
-
تشخیص ناهنجاری: شناسایی دادههای پرت در عملکرد شبکه 0:03:08
-
مبانی یادگیری تقویتی 0:04:01
-
یادگیری تقویتی چگونه کار میکند؟ 0:01:55
-
درخت تصمیم گیری 0:02:57
-
کاهش واریانس و اهمیت ویژگی 0:03:04
-
جنگل تصادفی و چگونگی کارکرد آن 0:02:22
-
چرا از جنگل تصادفی استفاده کنیم؟ 0:02:04
-
جنگل تصادفی در مقابل درخت تصمیم گیری 0:02:19
-
گردش کار یادگیری ماشین 0:07:34
-
جمعآوری و آمادهسازی داده 0:02:27
-
پروژه یادگیری ماشین: تحلیلهای پیشبینانه شبکه 0:10:55
-
نتایج نهایی 0:01:00
مشخصات آموزش
یادگیری ماشین در مخابرات: از مبانی تا موارد کاربردی واقعی
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متوسط
- تعداد درس:37
- مدت زمان :2:11:37
- حجم :305.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 23:25:23
- تعداد درس: 78
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 01:08:59
- تعداد درس: 8
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 12:44:39
- تعداد درس: 121
-
سطح دوره:
-
زبان: دوبله فارسی