دوره فشرده یادگیری ماشین و آشنایی با یادگیری عمیق

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

یادگیری پیاده‌سازی یادگیری ماشین از ابتدا
آشنایی با شبکه عصبی مصنوعی
آشنایی با یادگیری عمیق همراه با 2 مطالعه موردی
جمع‌آوری راه‌حل کد برای چندین مسئله واقعی و استفاده از آن‌ها در پروژه‌ها
درک مصورسازی داده
چگونه در مصاحبه‌های علم داده، یادگیری ماشین و هوش مصنوعی موفق باشیم؟

توضیحات دوره

این دوره یک دوره فشرده، اما عمیق است که شما را به یک متخصص یادگیری ماشین تبدیل می‌کند. این دوره با راه‌حل‌هایی برای مسائل واقعی طراحی شده است که برای پروژه‌های جاری شما و سازمانی که برایش کار می‌کنید مزیت محسوب می‌شود. دانشجویان و مدرسان این دوره را جالب، بدون دردسر و بروز خواهند یافت. قطعاً دانشجویان پس از پایان دوره به مهندسان یادگیری ماشین و دانشمندان داده قابل استخدام تبدیل خواهند شد. این دوره توسط یک مدرس پرانرژی و پس از آزمون‌های متعدد در کلاس‌های درس ارائه شده است. دانشجویان می‌توانند با این دوره پروژه‌های گوناگونی را به عهده بگیرند.

این دوره نمونه، جذاب، روشنگر و لذت‌بخش در قالب هفت ماژول سازماندهی شده است و سرشار از مثال‌های کاربردی در شکل برنامه‌هایی است که در Jupyter Notebook اجرا می‌شوند. مهم است که داده را قبل از تلاش برای پرداختن به یادگیری ماشین مصورسازی کنید، به همین دلیل این دوره با بخشی درباره مصورسازی داده آغاز می‌شود. سپس به بررسی کامل رگرسیون می‌پردازیم که شامل رگرسیون خطی ساده، رگرسیون چندجمله‌ای، رگرسیون خطی چندگانه است. سپس، راه‌حلی تحلیلی را از طریق معادله نرمال بررسی می‌کنیم. پس از رگرسیون، به یک الگوریتم یادگیری تحت نظارت مهم دیگر برای دسته‌بندی می‌پردازیم. ما مدل‌سازی را با استراتژی‌های دسته‌بندی مانند رگرسیون لجستیک، classifier بیز ساده، ماشین بردار پشتیبان، نزدیک‌ترین همسایه K، یادگیری جمعی، درختان رگرسیون و دسته‌بندی، جنگل تصادفی و بوستینگ، آدابوست و و بوستینگ گرادیان بررسی می‌کنیم.

پس از یادگیری تحت نظارت، به یادگیری بدون نظارت و خوشه‌بندی داده بدون برچسب می‌پردازیم. خوشه‌بندی سلسله‌مراتبی، k Means ،k Medoids و خوشه‌بندی Agglomerative را مطالعه می‌کنیم. فقط دانستن الگوریتم‌ها کافی نیست؛ بلکه باید استراتژی‌هایی مانند توازن بایاس و واریانس و مشقت بعدچندی را هم بشناسید تا در این حوزه چالش‌برانگیز و مهم در حال و آینده موفق شوید. این دوره تحلیل مؤلفه اصلی و تحلیل افتراقی خطی را نیز برای مقابله با مشقت بعدچندی بررسی می‌کند.

بخش پایانی خواننده را از طریق معرفی واضح شبکه عصبی مصنوعی (ANN) و الگوریتم پس‌انتشار برای تخمین وزن‌های شبکه پیش‌خور به سوی یادگیری عمیق هدایت می‌کند. پیش از پایان دوره، دو مطالعه موردی، یکی درباره دسته‌بندی باینری و دیگری درباره دسته‌بندی چندکلاسی با ANN، بررسی می‌شود تا تجربه‌ای از یادگیری عمیق ارائه شود.

این دوره برای چه کسانی مناسب است؟