هوش مصنوعی و یادگیری ماشین عملی با Model Builder AutoML

آنچه یاد خواهید گرفت:

• فرآیند یادگیری ماشین نظارت‌ شده و end-to-end را برای حل یک مسئله رگرسیون، با استفاده از Model Builder مایکروسافت و .ML .Net مشاهده می‌کنید.
• تسک‌ها و فعالیت‌هایی را که در پشت صحنه انجام می‌شوند درک می‌کنید؛ از آماده‌سازی داده‌ تا آموزش و ارزیابی مدل
• تبدیل داده، مقیاس‌بندی ویژگی‌، تکرار میان الگوریتم‌ها، متریک‌های ارزیابی، بیش‌برازش، اعتبارسنجی متقابل و منظم‌سازی را درک می‌کنید.
• تأثیر متریک‌های ارزیابی بر عملکرد مدل را درک کرده و یاد می‌گیرید چگونه بیش‌برازش را بررسی کنید.
• اصول ماندگار یادگیری ماشین را که مستقل از ابزارها یا پلتفرم‌های قابل استفاده هستند، درک می‌کنید.
• با دیدن مفاهیم در عمل، در خلال یک نمایش عملی یادگیری ماشین، درک عمیقی از مفاهیم یادگیری ماشین به دست می‌آورید.
• اهمیت تحلیل اکتشافی داده (EDA) و تأثیر توزیع آماری داده‌ بر عملکرد مدل را درک می‌کنید.
• یاد می‌گیرید چگونه Visual Studio را راه‌اندازی و پیکربندی کنید تا Model Builder، ابزار گرافیکی مورد استفاده برای نمایش فرایند یادگیری ماشین، فعال شود.
• یاد می‌گیرید چگونه از Model Builder برای آموزش مدل‌ها بدون نیاز به کدنویسی استفاده کنید.

پیش‌نیازهای دوره

• درک پایه از یادگیری ماشین نظارت‌ شده لازم است. دانشجو باید دست‌کم بداند رگرسیون چیست، ویژگی‌ها چه هستند و اینکه آموزش یک مدل برای برازش یک تابع روی ویژگی‌های ورودی به‌ منظور پیش‌بینی برچسب‌ها به چه معناست.
• دانشجو باید یک دستگاه Windows با چند گیگابایت فضای خالی روی دیسک داشته باشد تا بتواند Visual Studio را نصب کند و فرآیند یادگیری ماشین را که نمایش می‌دهیم، بازسازی کند. با این حال، این مورد ضروری نیست.
• یک دستگاه Windows ایده‌آل است، اما دانشجویی که Mac دارد هم همچنان می‌تواند همراهی کند. محتوای دوره به‌ اندازه کافی ویژوال است تا مفاهیم را نمایش دهد، بدون اینکه دانشجو مجبور باشد عملاً تمرین یادگیری ماشین را انجام دهد.

توضیحات دوره

در این دوره، با مفاهیم بنیادی‌ آشنا می‌شوید که زیربنای فرآیند یادگیری ماشین نظارت‌ شده را تشکیل می‌دهند. شما با موضوعات پیچیده‌ مانند موارد زیر آشنا خواهید شد:

• تحلیل اکتشافی داده
• تبدیل داده و مقیاس‌بندی ویژگی‌
• متریک‌های ارزیابی، الگوریتم‌ها، trainers و مدل‌ها
• کم‌برازش و بیش‌برازش
• اعتبارسنجی متقابل، منظم‌سازی و موارد بسیار دیگر

به‌ جای تماشای ارائه‌ها، این مفاهیم را با انجام یک تمرین عملی یادگیری ماشین زنده و ملموس خواهید دید. ما از یک ابزار یادگیری ماشین غیرابری به نام Model Builder در داخل Visual Studio استفاده خواهیم کرد. در این دوره تقریباً هیچ کدنویسی‌ وجود ندارد (به‌ جز آخرین درس). اما حتی با وجود اینکه کدنویسی بسیار کمی درگیر است، همچنان درک بسیار دقیقی از مفاهیم پیچیده یادگیری ماشین به دست خواهید آورد.

این دوره مستلزم آن است که دست‌کم تا حدی با مفاهیم نظری یادگیری ماشین نظارت‌ شده و بدون‌ نظارت آشنا باشید. این دوره برای تقویت یک درک پایه و نظری از یادگیری ماشین از طریق انجام یک تمرین عملی طراحی شده است. مفاهیمی که در دوره آموزش داده می‌شوند، بنیادی هستند و در آینده، صرف‌نظر از اینکه از چه پلتفرم یادگیری ماشین یا زبان برنامه‌نویسی استفاده کنید، همچنان کاربرد خواهند داشت.

در این فرآیند، تا حدی با Visual Studio، پروژه‌های کدنویسی، راه‌حل‌ها و اکوسیستم یادگیری ماشین مایکروسافت نیز آشنا می‌شوید. اما این فقط یک مزیت جانبی است. این دوره بر خود یادگیری ماشین تمرکز دارد، نه ابزارهایی که استفاده می‌شوند.

اگر پیش‌تر هر نوعی از یادگیری ماشین را انجام داده‌اید یا مدلی را آموزش داده‌اید، ممکن است این دوره برای شما بیش از حد ابتدایی باشد. این دوره ممکن است شامل دانشی بنیادی باشد که شاید قبلاً به شما آموزش داده نشده باشد، اما لطفاً توجه داشته باشید که این دوره برای علاقه‌مندان مبتدی و سطح متوسط هوش مصنوعی طراحی شده است.

این دوره برای چه کسانی مناسب است؟

• این دوره برای علاقه‌مندان سطح ابتدایی یادگیری ماشین است که تا حدی با یادگیری ماشین به‌ صورت نظری آشنا شده‌اند، اما می‌خواهند تئوری را به عملی تبدیل کنند.
• علاقه‌مندان به یادگیری ماشین که پیشینه‌ای 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 دیدن آنها در عمل یاد بگیرند، نه با تماشای یک ارائه
• مبتدیان فنی که می‌خواهند پیش از ورود به دوره‌های پیشرفته‌تر، اصول قوی از یادگیری ماشین بیاموزند؛ دوره‌هایی که ممکن است در آنها دانش دقیق آمار، حسابان و برنامه‌نویسی نیاز باشد.