Oreilly – AI & ML Algorithms and their Practical Applications 2024-9

در تاریخ: 1403/07/20 8:40:34

توضیحات

دوره AI & ML Algorithms and their Practical Applications. این دوره جامع شما را به دنیای هیجان‌انگیز هوش مصنوعی و یادگیری ماشین می‌برد. در این دوره، شما با مفاهیم پایه هوش مصنوعی و یادگیری ماشین آشنا شده‌اید و الگوریتم‌های مختلفی را برای حل مسائل مختلف یاد گرفته‌اید. همچنین، با کاربردهای عملی این الگوریتم‌ها در دنیای واقعی آشنا شده‌اید.

آنچه فرا خواهید گرفت:

مبانی هوش مصنوعی و یادگیری ماشین
انواع مختلف یادگیری (بدون ناظر، با ناظر، تقویتی)
الگوریتم‌های کلیدی مانند K-means، رگرسیون لجستیک، SVM، جنگل‌های تصادفی، شبکه‌های عصبی و ترانسفورمرها
کاربردهای عملی هوش مصنوعی در دنیای واقعی
آخرین پیشرفت‌ها در حوزه هوش مصنوعی

این دوره مناسب افرادی است که:

به دنبال درک کامل از مفاهیم هوش مصنوعی و یادگیری ماشین هستند.
علاقه‌مند به یادگیری الگوریتم‌های مختلف و کاربردهای آن‌ها هستند.
می‌خواهند در حوزه هوش مصنوعی و یادگیری ماشین فعالیت حرفه‌ای داشته باشند.
می‌خواهند با آخرین پیشرفت‌ها در این زمینه آشنا شوند.
قصد دارند از این دانش برای حل مسائل واقعی استفاده کنند.
دانشجویان، محققان و متخصصان داده که می‌خواهند مهارت‌های خود را در این زمینه ارتقا دهند.

مشخصات دوره AI & ML Algorithms and their Practical Applications

ناشر: Oreilly
مدرس: Robert Barton, Jerome Henry
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 4 ساعت و 5 دقیقه

سرفصل های دوره

Introduction
AI and ML Algorithm Foundations: Introduction
Lesson 1: An Introduction to the World of Artificial Intelligence and Machine Learning
Learning objectives
1.1 A Brief History of AI and ML
1.2 AI and ML Definitions
1.3 Discriminative vs. Generative AI
Lesson 2: Unsupervised Learning
Learning objectives
2.1 Clustering Principles
2.2 How K-means Works, Advantages and Limitations
2.3 Hierarchical Clustering
2.4 DBSCAN for Complex Shapes
Lesson 3: Supervised Learning
Learning objectives
3.1 Predictive Functions
3.2 Linear Regression – Fitting a Curve with Training Data
3.3 The Cost Function
3.4 Gradient Descent
3.5 The Machine Learning Workflow
3.6 Classification 1 – Logistical Regression
3.7 Classification 2 – Support Vector Machines (SVM)
Lesson 4: Random Forests
Learning objectives
4.1 Why Use Trees?
4.2 Build Your First Tree
4.3 Build a Full Forest
Lesson 5: Reinforcement Learning
Learning objectives
5.1 Why Reinforcement Learning
5.2 Understanding Reinforcement Learning Components and Framework
5.3 The Bellman Value Equation
5.4 Q-Learning
Lesson 6: Deep Learning
Learning objectives
6.1 Why is this Learning “Deep”?
6.2 Artificial Neural Networks (ANN) step-by-step
6.3 Convolutional Neural Networks (CNN) for Image Recognition
Lesson 7: An Introduction to Large Language Models
Learning objectives
7.1 How did Large Language Models (LLMs) Develop?
7.2 Word Embedding
7.3 Transformers
7.4 Advanced Topics
Summary
AI and ML Algorithm Foundations: Summary