Udemy – Intermediate Machine Learning 2024-11

در تاریخ: 1403/10/22 10:53:13

توضیحات

دوره Intermediate Machine Learning. این دوره دانشجویان را با حوزه یادگیری ماشین آشنا می‌کند. در این دوره، مروری جامع بر تمام جنبه‌های مختلف پایپلاین یادگیری ماشین و همچنین انواع مختلف و زیرمجموعه‌های مدل‌های یادگیری ماشین ارائه می‌شود. جنبه‌های مختلف پایپلاین داده، مانند مواردی که باید در حین جمع‌آوری داده‌ها در نظر گرفته شوند، نحوه تجزیه و تحلیل و تفسیر مجموعه داده‌ها، نحوه ایجاد تجسم‌های معنادار از داده‌های شما و نحوه پاکسازی و آماده‌سازی مجموعه داده‌ها برای آموزش مدل‌های یادگیری ماشین، توضیح داده خواهد شد. این بحث‌ها همچنین بینش‌هایی را در مورد چگونگی تغییر جنبه‌های مختلف پایپلاین داده برای انواع مختلف داده‌ها، مانند داده‌های جدولی، تصویر، متن و سری زمانی، در اختیار دانشجویان قرار می‌دهد.

دانشجویان سپس با زیرمجموعه‌های مختلف یادگیری ماشین، با تمرکز ویژه بر محبوب‌ترین مدل‌های یادگیری ماشین نظارت‌شده و بدون نظارت و همچنین چندین معماری یادگیری عمیق آشنا می‌شوند. ما همچنین در حد کمتری به یادگیری نیمه‌نظارت‌شده و تقویتی خواهیم پرداخت. سخنرانی‌ها در مورد مدل‌های خاص با هدف آموزش دانشجویان در مورد ایده اصلی پشت مدل‌ها، تفاوت‌های اصلی بین مدل‌های مختلف و آنچه که مزایا و معایب آن‌ها در نظر گرفته می‌شود، ارائه خواهند شد. ما توضیح‌های ریاضیاتی مفصلی در مورد این مدل‌ها ارائه نخواهیم داد، اما برخی از بحث‌ها بینش‌هایی را در مورد جنبه‌های ریاضیات زیربنایی که بر نحوه عملکرد مدل‌ها و مشکلاتی که برای آن‌ها مناسب هستند، ارائه می‌دهند.

آنچه که در دوره Intermediate Machine Learning فرا خواهید گرفت

تشخیص مراحل مختلف مهم در پایپلاین داده
شناسایی تله‌های رایج هنگام انجام جمع‌آوری داده‌ها برای پروژه‌های یادگیری ماشین
بررسی داده‌های جمع‌آوری‌شده برای یافتن هرگونه روابط ویژگی بالقوه و نگرانی‌های کیفیت داده
ایجاد تجسم‌های داده که به شناسایی هرگونه الگویی که می‌تواند مورد استفاده قرار گیرد کمک می‌کند
انتخاب ویژگی‌هایی که احتمالاً آموزنده هستند
پاکسازی مجموعه داده‌ها با رسیدگی به مسائل احتمالی کیفیت داده
سازماندهی مجموعه داده‌ها به گونه‌ای که برای ورودی مدل آماده شوند
تمایز بین یادگیری نظارت‌شده، بدون نظارت، نیمه‌نظارت‌شده و خودنظارت‌شده
مقایسه یادگیری ماشین سنتی و یادگیری عمیق
بحث در مورد مدل‌های مختلف یادگیری نظارت‌شده و بدون نظارت محبوب
استفاده از Scikit-learn برای حل مشکلات اولیه تا متوسط یادگیری ماشین
توضیح اینکه شبکه‌های عصبی چیستند
مقایسه انواع مختلف شبکه‌های عصبی
پیاده‌سازی راهکارهای یادگیری عمیق اولیه تا متوسط با استفاده از PyTorch

این دوره مناسب افرادیست که

این دوره برای مهندسان و توسعه‌دهندگانی در نظر گرفته شده است که می‌خواهند در مورد یادگیری ماشین بیشتر بیاموزند و می‌خواهند احتمالاً به نقش دانشمند داده یا مهندس یادگیری ماشین منتقل شوند. ما اصول ریاضیاتی زیربنایی را مورد بحث قرار نخواهیم داد، اما شما در پایان این دوره به اندازه کافی خواهید دانست تا بتوانید از پیاده‌سازی‌های موجود برای حل مشکلات اولیه تا متوسط یادگیری ماشین استفاده کنید.
این دوره برای دانشجویانی که قصد دارند شغلی به عنوان دانشمند داده یا مهندس یادگیری ماشین را دنبال کنند مفید خواهد بود. این دوره دانش پایه قوی در مورد اکثر جنبه‌های اصلی یک پروژه یادگیری ماشین را به شما ارائه می‌دهد و پایه قوی را برای شما فراهم می‌کند تا درک خود را از این حوزه ادامه دهید.
این دوره همچنین برای مدیرانی که می‌خواهند بتوانند جنبه‌های مهم پروژه‌های یادگیری ماشین را درک کنند و مواردی که هنگام پیگیری چنین پروژه‌ای باید در نظر بگیرند، مفید خواهد بود. همچنین دانش کافی را برای شرکت در بحث‌های مربوط به یادگیری ماشین و دانستن اینکه کدام سوالات مهم هستند به آن‌ها ارائه می‌دهد.
این دوره می‌تواند برای کسی که دوره مقدماتی یادگیری ماشین ما را گذرانده است و می‌خواهد یادگیری خود را در مورد مدل‌های مختلف و نحوه پیاده‌سازی آن‌ها در Scikit-learn یا PyTorch ادامه دهد، مفید باشد. با این حال، همپوشانی‌هایی بین مطالب موجود در دو دوره وجود دارد و بنابراین برخی از اطلاعات تکرار خواهند شد (اگرچه ما معمولاً اطلاعات بیشتری را در این دوره ارائه خواهیم داد).
و …

مشخصات دوره Intermediate Machine Learning

ناشر: Udemy
مدرس: Munus International
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 14 ساعت و 25 دقیقه
تعداد دروس: 75

سرفصل های دوره

پیشنیازهای دوره Intermediate Machine Learning

Programming experience is not required to follow the course or the concepts that are being discussed. However, if you want to be able to do the homework and to implement models yourself, you will need to know how to program in Python.
Foundational knowledge of derivatives and statistics will be beneficial, but is not required. As far as possible we aim to avoid unnecessary mathematical and statistical details when discussing the various concepts in this course.