Oreilly – Machine Learning Algorithms in Depth, Video Edition 2025-1

در تاریخ: 1404/08/06 7:19:01

توضیحات

دوره Machine Learning Algorithms in Depth, Video Edition. این دوره با بررسی دقیق مکانیسم‌های درونی و مبانی ریاضی، به مهندسان این توانایی را می‌دهد که مدل‌های خود را به شکل مؤثرتری عیب‌یابی و بهینه‌سازی کنند. این دوره برای مهندسینی که درک اساسی از عملکرد الگوریتم‌ها را ضروری می‌دانند، طراحی شده است و به تشریح عملی ده‌ها الگوریتم می‌پردازد. محتوای آموزشی بر اصول طراحی و مبانی نظری طیف وسیعی از الگوریتم‌های مهم متمرکز است که شامل تأکید ویژه بر روش‌های احتمالی مانند استنتاج بیزی و همچنین یادگیری عمیق می‌شود. ساختارهای داده و الگوهای الگوریتمی کلیدی در این دوره مورد بررسی قرار می‌گیرند. هر الگوریتم به شکلی جامع، هم از جنبه تئوری و ریاضی و هم از طریق پیاده‌سازی عملی، آموزش داده می‌شود تا کاربرد عملی آن به وضوح نشان داده شود. این دوره فراگیران را از مبانی ریاضی اساسی ترین الگوریتم‌ها تا پیاده‌سازی آن‌ها در پایتون هدایت می‌کند و کاربردهای آنها در حوزه‌های متنوعی مانند امور مالی، بینایی کامپیوتر و پردازش زبان طبیعی را نشان می‌دهد. روش تدریس به این صورت است که هر مبحث ابتدا با استخراج ریاضی ارائه شده و سپس با کدنویسی پایتون، توضیحات شفاف و تصاویر گرافیکی تکمیل می‌شود تا درک کاملی از چگونگی ساخت و اجرای مدل‌ها فراهم گردد.

آنچه فرا خواهید گرفت

درک عمیق از عملکرد الگوریتم‌ها: یادگیری نحوه کار الگوریتم‌های یادگیری ماشین از پایه برای عیب‌یابی مؤثر مدل‌ها و بهبود عملکرد آن‌ها.
کاوش در پیاده‌سازی‌های عملی: بررسی ده‌ها الگوریتم ML از جمله:
شبیه‌سازی قیمت سهام مونت کارلو (Monte Carlo Stock Price Simulation)
حذف نویز تصویر با استفاده از استنتاج واریاسیونی میدان میانگین (Mean-Field Variational Inference)
الگوریتم EM برای مدل‌های پنهان مارکوف (Hidden Markov Models)
یادگیری نامتوازن (Imbalanced Learning)، یادگیری فعال (Active Learning) و یادگیری گروهی (Ensemble Learning)
بهینه‌سازی بیزی (Bayesian Optimization) برای تنظیم فراپارامتر (Hyperparameter Tuning)
خوشه‌بندی (Clustering) با استفاده از K-Means فرایند دیریکله (Dirichlet Process K-Means)
خوشه‌های سهام بر اساس تخمین کوواریانس معکوس (Inverse Covariance Estimation)
به حداقل رساندن انرژی با استفاده از بازپخت شبیه‌سازی‌شده (Simulated Annealing)
جستجوی تصویر بر اساس شبکه عصبی کانولوشنی ResNet (ResNet Convolutional Neural Network)
تشخیص ناهنجاری در سری‌های زمانی (Anomaly Detection in Time-Series) با استفاده از خودرمزگذار واریاسیونی (Variational Autoencoders)
تسلط بر اصول نظری: درک مبانی استنتاج بیزی و یادگیری عمیق.
یادگیری ساختارهای داده و الگوهای الگوریتمی: آشنایی با ساختارهای داده اصلی و الگوهای الگوریتمی برای یادگیری ماشین.
درک ریاضی و پیاده‌سازی: مشاهده چگونگی استخراج ریاضی هر الگوریتم و سپس پیاده‌سازی عملی پایتون آن.

این دوره مناسب افرادیست که

فعالان یادگیری ماشین (Machine Learning Practitioners) که با جبر خطی (Linear Algebra)، احتمال (Probability) و حساب دیفرانسیل و انتگرال پایه (Basic Calculus) آشنا هستند.
مهندسان ML که به دنبال درک عمیق‌تر از نحوه عملکرد الگوریتم‌ها برای عیب‌یابی و بهبود عملکرد مدل هستند.
متخصصان در زمینه‌هایی مانند امور مالی، بینایی کامپیوتر و پردازش زبان طبیعی که می‌خواهند الگوریتم‌های ML مرتبط را بیاموزند.
هر فردی که می‌خواهد مبانی ریاضیاتی و پیاده‌سازی عملی الگوریتم‌های یادگیری ماشین را به صورت جامع فرا بگیرد.