یادگیری ماشین - جنگل تصادفی، AdaBoost و درخت تصمیم‌گیری

آنچه یاد خواهید گرفت:

• آشنایی با نحوه نوشتن کد پایتون برای جنگل‌های تصادفی
• پیاده‌سازی AdaBoost با استفاده از پایتون
• کسب دانش پایه‌ درباره درختان تصمیم‌گیری و نحوه توسعه آنها با جنگل‌های تصادفی
• درک مسائل اصلی یادگیری ماشین و راه‌حل‌های آنها
• درک تفاوت‌های بین Bagging و بوستینگ
• بررسی اصطلاحات اولیه برای هر الگوریتم یادگیری ماشین

پیش‌نیازهای دوره

• مبانی پایتون
• آشنایی با NumPy ،Matplotlib و Sci-Kit Learn
• مبانی احتمال و آمار

توضیحات دوره

در سال‌های اخیر، شاهد احیای دوباره هوش مصنوعی (AI) و یادگیری ماشین بوده‌ایم.

یادگیری ماشین به دستاوردهای شگفت‌انگیز، مانند توانایی تحلیل تصاویر پزشکی و پیش‌بینی بیماری‌ها با دقتی برابر با کارشناسان انسانی منجر شده است.

برنامه AlphaGo شرکت گوگل توانست قهرمان جهان بازی استراتژیک گو را با استفاده از یادگیری تقویتی عمیق شکست دهد.

یادگیری ماشین حتی در برنامه‌نویسی ماشین‌های خودران به کار گرفته می‌شود، که تغییرات بنیادی در صنعت خودرو ایجاد خواهد کرد. تصور کنید جهانی با کاهش چشمگیر تصادفات رانندگی تنها با حذف خطای انسانی داشته باشیم.

شرکت گوگل رسماً اعلام کرده که اکنون رویکرد «اول یادگیری ماشین» را هدف قرار داده‌ است و شرکت‌هایی مثل NVIDIA و آمازون نیز این مسیر را دنبال می‌کنند. این روند باعث نوآوری در سال‌های آینده خواهد شد.

یادگیری ماشین در انواع محصولات مختلف جای گرفته و در صنایع متعددی از جمله مالی، تبلیغات آنلاین، پزشکی و رباتیک کاربرد دارد.

این فناوری ابزاری فراگیر است که در هر صنعتی که باشید به شما کمک کرده و همچنین فرصت‌های شغلی زیادی را پیش روی شما باز می‌کند.

یادگیری ماشین برخی سوالات فلسفی نیز مطرح می‌کند؛ آیا ما ماشینی می‌سازیم که قادر به تفکر باشد؟ معنای آگاهی چیست؟ آیا روزی کامپیوترها جهان را تسخیر خواهند کرد؟

این دوره درباره متدهای گروهی است.

به‌طور خاص، الگوریتم‌های جنگل تصادفی و AdaBoost را به‌تفصیل بررسی خواهیم کرد.

برای شروع، به بحث درباره موضوع مهمی در یادگیری آمار یعنی مبادله بایاس و واریانس می‌پردازیم. سپس متدهای بوت‌استرپ کردن و bagging را به عنوان تکنیک‌هایی برای کاهش همزمان بایاس و واریانس می‌آموزیم.

تمام منابع این دوره رایگان هستند. می‌توانید پایتون، NumPy و SciPy را به سادگی روی ویندوز، لینوکس یا مک نصب کنید.

تمرکز دوره بر «چگونه بسازیم و بفهمیم؟» است، نه فقط «چگونه استفاده کنیم؟» هر کسی می‌تواند یک API را در 15 دقیقه پس از خواندن مستندات یاد بگیرد. موضوع فقط «به خاطر سپردن اطلاعات» نیست، بلکه «تجربه شخصی از طریق تست» است. این دوره به شما می‌آموزد که چگونه پردازش‌های داخلی مدل را به صورت ویژوال مشاهده کنید. اگر به دنبال چیزی بیشتر از نگاه سطحی به مدل‌های یادگیری ماشین هستید، این دوره مناسب شما است.

این دوره برای چه کسانی مناسب است؟

• دانشمندان مشتاق داده
• مهندسان هوش مصنوعی و یادگیری ماشین
• دانشجویان و متخصصانی که دانش اولیه در یادگیری ماشین دارند و می‌خواهند درباره مدل‌های قدرتمندی مانند جنگل تصادفی و AdaBoost بدانند.
• کارآفرینان، متخصصان و دانشجویانی که می‌خواهند علم داده و یادگیری ماشین را یاد بگیرند و در کار خود به کار ببرند.