یادگیری ماشین به زبان ساده: راهنمای مفهومی کامل

آنچه یاد خواهید گرفت:

• یادگیری ماشین چیست و چه تفاوتی با برنامه‌نویسی سنتی دارد؟
• اصطلاحات، مفاهیم و دسته‌بندی‌های کلیدی ML
• چگونه یادگیری ماشین در دنیای واقعی استفاده می‌شود؟
• داده در ML چه معنایی دارد؟
• انواع داده و تأثیر آن بر عملکرد مدل
• ویژگی‌ها چه هستند و چرا اهمیت دارند؟
• چگونه مهندسی ویژگی نتایج را بهبود می‌دهد؟
• چگونه یادگیری نظارت‌شده کار می‌کند؟
• تفاوت طبقه‌بندی و رگرسیون
• چگونه مدل‌های ML از داده‌ برچسب‌دار یاد می‌گیرند؟
• بیش‌برازش، کم‌برازش و تعمیم‌پذیری
• یادگیری بدون نظارت چیست؟
• چگونه الگوریتم‌ها الگوهای پنهان را پیدا می‌کنند؟
• درک خوشه‌بندی
• درک کاهش بُعد
• یادگیری تقویتی چیست؟
• چگونه عامل‌ها از طریق پاداش‌ها و کنش‌ها یاد می‌گیرند؟
• نمونه‌های واقعی RL
• ارزیابی مدل به چه معناست؟
• سوگیری، واریانس و موازنه‌ی میان آن‌ها
• انتخاب معیار ارزیابی مناسب
• چگونه درباره‌ی بهبود عملکرد مدل فکر کنیم؟
• یادگیری عمیق چیست؟
• چگونه شبکه‌های عصبی مصنوعی کار می‌کنند؟
• چگونه شبکه‌های عصبی یاد می‌گیرند؟
• یادگیری عمیق در دنیای واقعی کجا استفاده می‌شود؟
• چگونه پروژه‌های ML از ابتدا تا انتها برنامه‌ریزی می‌شوند؟
• مراحل ساخت یک راه‌حل ML
• چالش‌های رایجی که تیم‌ها در کار واقعی ML با آن روبه‌رو می‌شوند.
• هوش مصنوعی مسئولانه و اخلاقی یعنی چه
• همه‌ی مفاهیم ML چگونه به هم مرتبط می‌شوند؟
• بعد از این دوره چگونه یادگیری ML را ادامه دهید؟
• چگونه در درک ایده‌های ML اعتمادبه‌نفس پیدا کنید؟

پیش‌نیازهای دوره

• هیچ تجربه‌ی قبلی لازم نیست؛ فقط آشنایی اولیه کار با کامپیوتر و علاقه به درک مفاهیم یادگیری ماشین کافی است.

توضیحات دوره

این دوره درکی روشن و ساده از چگونگی کار یادگیری ماشین به شما می‌دهد؛ به شکلی که هر کسی بتواند آن را دنبال کند. از ایده‌های اولیه شروع می‌کند و تا مفاهیم پیشرفته‌تری مثل یادگیری عمیق و گردش‌کار پروژه‌ها پیش می‌رود، اما همه‌چیز به‌صورت ساده و قابل‌فهم نگه داشته شده است. نیازی به کدنویسی، ریاضیات سنگین یا تجربه‌ی فنی ندارید. تمرکز دوره بر ساختن شهود قوی است تا وقتی بعداً سراغ کدنویسی یا موضوعات پیشرفته‌تر می‌روید، از قبل بدانید چه می‌کنید و چرا.

ابتدا با اصول یادگیری ماشین شروع می‌کنید: اینکه چیست، چرا اهمیت دارد و در دنیای واقعی کجا استفاده می‌شود. بعد از آن یاد می‌گیرید داده چگونه کار می‌کند، چرا ویژگی‌ها مهم هستند و چگونه رفتار یک مدل را شکل می‌دهند. سپس دوره مفاهیم اصلی یادگیری نظارت‌شده را توضیح می‌دهد؛ از جمله آموزش، پیش‌بینی، عملکرد مدل و اینکه الگوریتم‌های مختلف چگونه فکر می‌کنند. همچنین مفاهیم پایه‌ی یادگیری بدون نظارت را می‌آموزید و اینکه ماشین‌ها چگونه می‌توانند بدون برچسب، الگوهای پنهان را پیدا کنند.

بخشی از دوره شما را به‌صورت ساده و دوستانه با یادگیری تقویتی آشنا می‌کند تا مفهوم عامل‌ها، کنش‌ها و پاداش‌ها را بدون ورود عمیق به نظریه درک کنید. سپس به یکی از مهم‌ترین بخش‌های ML می‌رسید: اینکه مدل‌ها چگونه ارزیابی می‌شوند، کجا شکست می‌خورند، چگونه می‌توان آن‌ها را بهبود داد و مفاهیمی مثل سوگیری، واریانس، اعتبارسنجی متقابل و ابرپارامترها چگونه به هم مرتبط می‌شوند.

در ادامه‌ی دوره، یادگیری عمیق و شبکه‌های عصبی را بررسی می‌کنید. همه‌چیز آهسته و با زبان طبیعی توضیح داده می‌شود تا بفهمید این سیستم‌ها چگونه از داده یاد می‌گیرند، لایه‌ها چگونه کار می‌کنند و یادگیری عمیق امروز در چه جاهایی استفاده می‌شود. بخش پایانی دوره شما را از ابتدا تا انتهای فرایند یک پروژه‌ی یادگیری ماشین همراهی می‌کند و نشان می‌دهد پروژه‌های واقعی ML چگونه پیش می‌روند و معمولاً چه چالش‌هایی ظاهر می‌شوند. دوره با پوشش دادن ایده‌های مهم درباره‌ی هوش مصنوعی اخلاقی و مسئولانه به پایان می‌رسد تا بدانید چگونه سیستم‌هایی منصفانه و ایمن بسازید.

این دوره برای مبتدیان، دانشجویان، متخصصان و هر کسی که به یادگیری ماشین علاقه‌مند است طراحی شده است. اگر می‌خواهید یک مقدمه‌ی آرام، روشن و کاربردی بر مفاهیم ML داشته باشید، بدون اینکه فوراً وارد کدنویسی شوید، این دوره اصول محکم به شما می‌دهد و شما را برای گام‌های بعدی مسیر یادگیری آماده می‌کند.

این دوره برای چه کسانی مناسب است؟

• هر کسی که می‌خواهد مفاهیم یادگیری ماشین را بدون کدنویسی درک کند.
• دانشجویانی که می‌خواهند پیش از یادگیری عملی ML، اصول مفهومی محکمی داشته باشند.
• مبتدیانی که از اصطلاحات فنی احساس سردرگمی می‌کنند و به یک رویکرد ساده و مبتنی بر توضیح نیاز دارند.
• متخصصان هر حوزه‌ای که می‌خواهند در سطحی کلی بفهمند ML چگونه کار می‌کند.
• متخصصان کسب‌وکار یا مدیریت که می‌خواهند اصطلاحات ML رایج در صنعت را درک کنند.
• علاقه‌مندان به داده که به دنبال راهنمایی ساختارمند برای شروع مسیر ML هستند.
• سازندگان محتوا و فریلنسرهایی که می‌خواهند دانش ML را به پروفایل خود اضافه کنند.
• افرادی که برای مصاحبه‌های مرتبط با ML آماده می‌شوند و به شفافیت مفهومی نیاز دارند.
• هر کسی که قبلاً آموزش‌های ML را امتحان کرده اما به‌دلیل ریاضیات یا کدنویسی سنگین دچار سردرگمی شده است.
• هر کسی که کنجکاو است بداند ML، یادگیری عمیق و AI پشت صحنه چگونه کار می‌کنند.