الگوریتم‌ها و تکنیک‌های هوش مصنوعی و یادگیری ماشین

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

توضیحات دوره

این دوره به بررسی الگوریتم‌ها و تکنیک‌های اساسی مورد استفاده در هوش مصنوعی و یادگیری ماشین می‌پردازد، از جمله رویکردهایی که از مدل‌های بزرگ زبانی پیش‌آموخته (LLMs) استفاده می‌کنند. شما پارادایم‌های یادگیری نظارت شده، بدون نظارت و یادگیری تقویتی را بررسی خواهید کرد، همچنین رویکردهای یادگیری عمیق را شامل آسیب‌شناسی نحوه کار آن‌ها در LLMهای پیش‌آموخته. این دوره بر کاربرد عملی این تکنیک‌ها و نقاط قوت و محدودیت‌های آن‌ها در حل مسائل مختلف کسب‌وکار تأکید می‌کند.

در پایان این دوره، شما قادر خواهید بود:

1. الگوریتم‌های یادگیری نظارت شده، بدون نظارت و یادگیری تقویتی را پیاده‌سازی، ارزیابی و توضیح دهید.
2. تکنیک‌های انتخاب و مهندسی ویژگی‌ها را به کار بگیرید تا عملکرد مدل را بهبود بخشید.
3. مدل‌های یادگیری عمیق را برای وظایف پیچیده هوش مصنوعی توصیف کنید.
4. مناسب بودن تکنیک‌های مختلف هوش مصنوعی و یادگیری ماشین را برای مسائل خاص کسب‌وکار ارزیابی کنید.

برای موفقیت در این دوره، باید دانش برنامه‌نویسی متوسطی از Python داشته باشید و همچنین دانش پایه‌ای از قابلیت‌های هوش مصنوعی و یادگیری ماشین و قابلیت‌های جدید از طریق هوش مصنوعی تولیدی (GenAI) و مدل‌های بزرگ زبانی پیش‌آموخته (LLM) داشته باشید. آشنایی با آمار نیز توصیه می‌شود.

الگوریتم‌ها و تکنیک‌های هوش مصنوعی و یادگیری ماشین

فصل 1: یادگیری نظارت شده

مقدمه‌ای بر برنامه گواهینامه حرفه‌ای پیشرفته مهندسی هوش مصنوعی/یادگیری ماشین 3:35
مقدمه‌ای بر دوره الگوریتم‌ها و تکنیک‌های هوش مصنوعی/یادگیری ماشین 4:47
اهمیت الگوریتم‌ها و تکنیک‌ها در کار شما 7:59
یادگیری نظارت شده چیست؟ 6:44
مقایسه تکنیک‌های پیاده‌سازی با استفاده از Python 4:35
نمایش مورد استفاده از معیارهای ارزیابی 4:46
نمایش مورد استفاده از اعتبارسنجی متقابل و معیارهای متعدد در یادگیری ماشین 4:17
راهنمایی: موارد استفاده از تکنیک‌های انتخاب ویژگی در نمایش‌های زنده (اختیاری) 3:49
خلاصه: یادگیری نظارت شده 4:34
به جامعه Coursera خوش آمدید None
به‌روزرسانی‌های مایکروسافت None
فعالیت عملی: راه‌اندازی محیط خود در Microsoft Azure None
راهنمایی: راه‌اندازی محیط خود در Microsoft Azure (اختیاری) None
فعالیت عملی: ایجاد مخزن کد خود با استفاده از Git None
راهنمایی: ایجاد مخزن کد خود با استفاده از Git (اختیاری) None
برنامه درسی: الگوریتم‌ها و تکنیک‌های هوش مصنوعی و یادگیری ماشین None
اصول و رویکردهای کلیدی به یادگیری نظارت شده None
بهترین شیوه‌ها برای پیاده‌سازی الگوریتم‌های یادگیری نظارت شده None
فعالیت عملی: ادغام رگرسیون خطی None
راهنمایی: ادغام رگرسیون خطی (اختیاری) None
فعالیت عملی: پیاده‌سازی رگرسیون لجستیک None
راهنمایی: پیاده‌سازی رگرسیون لجستیک (اختیاری) None
فعالیت عملی: پیاده‌سازی درختان تصمیم گیری None
راهنمایی: پیاده‌سازی درختان تصمیم گیری (اختیاری) None
فعالیت عملی: پیاده‌سازی و مقایسه مدل‌ها None
راهنمایی: پیاده‌سازی و مقایسه مدل‌ها (اختیاری) None
معیارهای ارزیابی برای مدل‌های یادگیری نظارت شده None
فعالیت عملی: به کارگیری معیارها و اعتبارسنجی متقابل None
راهنمایی: به کارگیری معیارها و اعتبارسنجی متقابل (اختیاری) None
متدهای انتخاب ویژگی: حذف معکوس، انتخاب پی در پی پیشرو و LASSO None
فعالیت عملی: پیاده‌سازی حذف معکوس None
راهنمایی: پیاده‌سازی حذف معکوس (اختیاری) None
فعالیت عملی: پیاده‌سازی انتخاب پی در پی پیشرو None
راهنمایی: پیاده‌سازی انتخاب پی در پی پیشرو (اختیاری) None
فعالیت عملی: پیاده‌سازی LASSO None
راهنمایی: پیاده‌سازی LASSO (اختیاری) None
فعالیت عملی: پیاده‌سازی تکنیک‌های انتخاب ویژگی بر روی یک مجموعه داده معین None
راهنمایی: پیاده‌سازی تکنیک‌های انتخاب ویژگی بر روی یک مجموعه داده معین (اختیاری) None
مثال‌های صنعتی: تکنیک‌های انتخاب ویژگی None

فصل 2: یادگیری بدون نظارت

بررسی اجمالی یادگیری بدون نظارت 3:21
چگونگی پیاده‌سازی و مصورسازی خوشه‌بندی 4:33
نمایش مورد استفاده از کاهش ابعاد 5:21
راهنمایی: پیاده‌سازی متدهای یادگیری بدون نظارت (اختیاری) 5:33
اصول و رویکردهای کلیدی به یادگیری بدون نظارت None
مقدمه‌ای بر تکنیک‌های خوشه‌بندی None
فعالیت عملی: پیاده‌سازی خوشه‌بندی k-means None
راهنمایی: پیاده‌سازی خوشه‌بندی k-means (اختیاری) None
فعالیت عملی: پیاده‌سازی خوشه‌بندی DBSCAN None
راهنمایی: پیاده‌سازی خوشه‌بندی DBSCAN (اختیاری) None
فعالیت عملی: پیاده‌سازی خوشه‌بندی و مصورسازی None
راهنمایی: خوشه‌بندی و مصورسازی (اختیاری) None
تکنیک‌های کاهش ابعاد None
فعالیت عملی: پیاده‌سازی تکنیک‌های کاهش ابعاد None
راهنمایی: پیاده‌سازی تکنیک‌های کاهش ابعاد (اختیاری) None
مقایسه رویکردهای یادگیری بدون نظارت برای مجموعه‌های داده مختلف None
فعالیت عملی: تفسیر نتایج خوشه‌بندی و کاهش ابعاد None
راهنمایی: تفسیر نتایج خوشه‌بندی و کاهش ابعاد (اختیاری) None
بحث: مقایسه رویکردهای یادگیری بدون نظارت برای مجموعه‌های داده مختلف None
خلاصه: یادگیری بدون نظارت None
فعالیت عملی: پیاده‌سازی روش‌های یادگیری بدون نظارت None
مثال‌های صنعتی: کاربرد تکنیک‌های یادگیری بدون نظارت None

فصل 3: یادگیری تقویتی و سایر رویکردها

بررسی اجمالی یادگیری تقویتی 4:48
مقایسه تکنیک‌های پیاده‌سازی با استفاده از Python 6:04
نمایش مورد استفاده برای به کارگیری معیارهای ارزیابی مدل 7:00
خلاصه‌ای از یادگیری تقویتی و سایر رویکردها 4:39
راهنمایی: یادگیری تقویتی و سایر رویکردها (اختیاری) 5:24
مثال‌های صنعتی: یادگیری تقویتی و سایر رویکردها 4:49
اصول و رویکردهای کلیدی یادگیری تقویتی None
فعالیت عملی: مقایسه و تقویت الگوریتم‌های یادگیری None
راهنمایی: مقایسه Q-learning و گرادیان‌های سیاست (اختیاری) None
معیارهای ارزیابی برای مدل‌های یادگیری تقویتی None
فعالیت عملی: به کارگیری معیارهای ارزیابی مدل در یادگیری تقویتی None
راهنمایی: به کارگیری معیارهای ارزیابی مدل (اختیاری) None
مقایسه یادگیری تقویتی با یادگیری نظارت شده و بدون نظارت None
نمایش مورد استفاده برای یادگیری نظارت شده، بدون نظارت، و یادگیری تقویتی None
بحث: تحلیل مقایسه‌ای پارادایم‌های یادگیری None
مقایسه موارد استفاده از یادگیری نظارت شده، بدون نظارت، و یادگیری تقویتی None
فعالیت عملی: پیاده‌سازی یادگیری تقویتی و سایر رویکردها None

فصل 4: یادگیری عمیق و شبکه‌های عصبی

بررسی اجمالی شبکه‌های عصبی 4:35
راهنمایی: پیاده‌سازی و مقایسه معماری‌های شبکه عصبی در TensorFlow و PyTorch (اختیاری) 9:22
نمایش مورد استفاده‌ی FNNها، CNNها و RNNها 5:26
راهنمایی: تحلیل یک مجموعه داده و پیاده‌سازی یک شبکه عصبی برای تحلیل یادگیری عمیق (اختیاری) 5:34
نظر یک کارشناس: مثال‌های صنعتی از یادگیری عمیق و شبکه‌های عصبی 6:52
ویژگی‌ها و معماری‌های کلیدی شبکه‌های عصبی None
پیاده‌سازی شبکه‌های عصبی در Azure None
مقایسه تکنیک‌های پیاده‌سازی شبکه‌های عصبی با استفاده از Python None
فعالیت عملی: پیاده‌سازی یک شبکه عصبی با TensorFlow None
راهنمایی: پیاده‌سازی یک شبکه عصبی با TensorFlow (اختیاری) None
فعالیت عملی: پیاده‌سازی و مقایسه معماری‌های شبکه‌های عصبی None
توضیح تکنیک‌های یادگیری عمیق None
فعالیت عملی: پیاده‌سازی تکنیک‌های یادگیری عمیق None
راهنمایی: پیاده‌سازی تکنیک‌های یادگیری عمیق (FNN، CNN، RNN) (اختیاری) None
پیاده‌سازی تکنیک‌های یادگیری عمیق: GANها و خودرمزگذارها None
فعالیت عملی: ارزیابی مدل‌های یادگیری عمیق در زمینه هوش مصنوعی تولیدی None
راهنمایی: ارزیابی مدل‌های یادگیری عمیق در زمینه هوش مصنوعی تولیدی (اختیاری) None
خلاصه: یادگیری عمیق و شبکه‌های عصبی None
فعالیت عملی: تحلیل یک مجموعه داده و پیاده‌سازی یک شبکه عصبی برای تحلیل یادگیری عمیق None

فصل 5: مفاهیم در عمل

بررسی اجمالی رویکردهای مهندسی هوش مصنوعی/یادگیری ماشین 6:01
اهمیت همکاری در حرفه‌های هوش مصنوعی/یادگیری ماشین 3:48
خلاصه: مهندسی هوش مصنوعی/یادگیری ماشین و کار با مدل‌ها 6:22
خلاصه، متشکرم و آرزوی موفقیت 3:26
متشکرم و تبریک می‌گویم! 1:39
مطالعات موردی واقعی از پیاده‌سازی‌های هوش مصنوعی/یادگیری ماشین شرکتی None
فعالیت عملی: پیاده‌سازی رویکرد شرکتی در زمینه None
فعالیت عملی: استقرار و تعمیر سیستم‌های هوش مصنوعی/یادگیری ماشین None
راهنمایی: استقرار و تعمیر سیستم‌های هوش مصنوعی/یادگیری ماشین (اختیاری) None
نقش‌های مهندسان هوش مصنوعی/یادگیری ماشین None
توضیحات مفصل در مورد نقش‌های مهندسان هوش مصنوعی/یادگیری ماشین در صنعت None
بحث: مقایسه نقش‌های مهندس هوش مصنوعی/یادگیری ماشین None
تفکر در مورد حرفه‌ی خود در مهندسی هوش مصنوعی/یادگیری ماشین None
فعالیت عملی: شناسایی نقاط قوت، ضعف و علایق شما در مهندسی هوش مصنوعی/یادگیری ماشین None
درک دینامیک‌های تیمی در تیم‌های توسعه هوش مصنوعی/یادگیری ماشین None
راهنمای جامع None
ابزارها و پلتفرم‌ها برای یادگیری بیشتر None
مثال‌های صنعتی: بحث در مورد نقش‌ها در هوش مصنوعی و یادگیری ماشین None
فعالیت عملی: ایجاد یک برنامه توسعه هوش مصنوعی/یادگیری ماشین برای یک پروژه خیالی None
راهنمایی: ایجاد یک برنامه توسعه‌ی هوش مصنوعی/یادگیری ماشین برای پیش‌بینی ریزش مشتری (اختیاری) None
فعالیت عملی: طراحی و توسعه یک راه‌حل هوش مصنوعی/یادگیری ماشین None