مقدمه‌ای کاربردی بر یادگیری ماشین با Python

آنچه یاد خواهید گرفت:

• اصول هوش مصنوعی (AI) و یادگیری ماشین
• کاربردهای عملی یادگیری ماشین در کسب‌وکار
• طبقه‌بندی، رگرسیون، خوشه‌بندی، تشخیص ناهنجاری
• چگونه ماشین‌ها از داده‌ یاد می‌گیرند؟
• یادگیری نظارت‌شده، بدون‌نظارت، تقویتی و انتقالی
• چگونه مسائل مناسب برای یادگیری ماشین را شناسایی کنیم؟
• چگونه داده‌ مناسب برای آموزش و آزمون مدل‌های یادگیری ماشین را جمع‌آوری و آماده کنیم؟
• انواع مختلف مدل‌های یادگیری ماشین و چگونگی انتخاب میان آن‌ها
• فرآیند توسعه و استقرار مدل‌های یادگیری ماشین در محیط تولید
• چگونه مدل‌ها را با استفاده از نمونه‌های GPU در فضای ابری آموزش دهیم؟

پیش‌نیازهای دوره

• آشنایی اولیه با برنامه‌نویسی Python مفید است، اما الزامی نیست.
• مفاهیم ریاضی مانند جبر خطی و حساب دیفرانسیل و انتگرال مفید هستند، اما الزامی نیستند.

توضیحات دوره

LinkedIn فهرست سالانه «مشاغل نوظهور» خود را منتشر کرد که سریع‌ترین دسته‌های شغلی در حال رشد را رتبه‌بندی می‌کند. رتبه اول مربوط به متخصص هوش مصنوعی است؛ یعنی هر نقشی که به یادگیری ماشین مرتبط باشد. استخدام برای این نقش در چند سال گذشته 74% رشد داشته است!

یادگیری ماشین فناوری پشت خودروهای خودران، بلندگوهای هوشمند، سیستم‌های پیشنهاددهنده و پیش‌بینی‌های پیشرفته است. یادگیری ماشین حوزه‌ای هیجان‌انگیز و به‌سرعت در حال رشد است که فرصت‌های زیادی دارد. در واقع، امروز بیشتر سازمان‌ها نمی‌توانند به‌اندازه کافی استعدادهای AI و ML پیدا کنند.

اگر می‌خواهید یاد بگیرید یادگیری ماشین چیست و چگونه کار می‌کند، این دوره برای شماست. این دوره برای طیف گسترده‌ای از مخاطبان و در سطح مقدماتی طراحی شده است. تا پایان این دوره، مزایای یادگیری ماشین، چگونگی عملکرد آن و کارهایی را که باید در ادامه انجام دهید، درک خواهید کرد. اگر توسعه‌دهنده نرم‌افزار هستید و می‌خواهید مدل‌های یادگیری ماشین را از پایه توسعه دهید، دوره دوم من با عنوان Practical Machine Learning by Example in Python شاید انتخاب مناسب‌تری باشد.

در طول این دوره، مثال‌های متعددی از یادگیری ماشین نمایش داده می‌شود. کدهای نمونه روی GitHub در دسترس هستند. شما می‌توانید هر مثال را با استفاده از Google Colab اجرا کنید. Colab یک پلتفرم رایگان و مبتنی بر ابر برای یادگیری ماشین و علم داده است که از پردازنده گرافیکی (GPU) پشتیبانی می‌کند تا زمان آموزش مدل‌ها کاهش یابد. تنها چیزی که نیاز دارید یک مرورگر وب مدرن است و هیچ نصب نرم‌افزاری لازم نیست!

بروزرسانی‌های دوره در July 2019 شامل درس‌ها و نمونه‌هایی از یادگیری خودنظارتی است. یادگیری خودنظارتی یک تکنیک هیجان‌انگیز است که در آن ماشین‌ها بدون نیاز به برچسب‌های انسانیِ پرهزینه از داده یاد می‌گیرند. این روش با پیش‌بینی اتفاق بعدی یا بخش‌های مفقود در یک مجموعه‌داده کار می‌کند. یادگیری خودنظارتی تا حدی از یادگیری در اوایل کودکی الهام گرفته شده و نتایج چشمگیری به همراه دارد. شما فرصت خواهید داشت با یادگیری خودنظارتی کار کنید تا کاملاً درک کنید چگونه عمل می‌کند و چه مسائلی را می‌تواند حل کند.

بروزرسانی‌های دوره در August 2019 شامل یک نمایش گام‌به‌گام از چگونگی بارگذاری داده‌ها در Google Colab با استفاده از 2 متد مختلف است. Google Colab یک محیط قدرتمند یادگیری ماشین با پشتیبانی رایگان از GPU است. می‌توانید داده‌های خود را برای آموزش و آزمون در Colab بارگذاری کنید.

بروزرسانی‌های دوره در March 2020 همه نمونه‌ها را به Google Colab و Tensorflow 2 منتقل می‌کند. Tensorflow 2 یکی از محبوب‌ترین چارچوب‌های یادگیری ماشین مورد استفاده امروز است. نیازی به نصب نرم‌افزار نیست.

بروزرسانی‌های دوره در April/May 2020 محتوا را ساده‌تر می‌کند و شامل درس‌ها و تکلیف Jupyter notebook می‌شود. Jupyter notebook محیط ترجیحی برای توسعه در یادگیری ماشین است.

این دوره برای چه کسانی مناسب است؟

• مدیران IT، تحلیل‌گران کسب‌وکار، معماران نرم‌افزار و توسعه‌دهندگانی که به دنبال شروع سریع در حوزه هیجان‌انگیز و به‌سرعت در حال رشد یادگیری ماشین هستند.
• تحلیل‌گران کسب‌وکار یا افراد غیرفنی که می‌خواهند از مهارت‌های خود برای ایجاد ارزش در پروژه‌های توسعه یادگیری ماشین استفاده کنند.
• هر کسی که می‌خواهد یاد بگیرد در اقتصادی در حال تغییر، که در آن ماشین‌ها در حال بالا رفتن از نردبان سازمانی هستند، چگونه می‌تواند مفید و مؤثر باشد.