Udemy – Machine Learning (with Claude Code) 2026-9

در تاریخ: 1405/06/24 1:04:08

توضیحات

Machine Learning (with Claude Code) دوره آموزشی مبانی آماری تا هوش کاربردی همراهی می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره به‌جای برخورد با الگوریتم‌ها به‌عنوان جعبه‌های سیاه، بر ایجاد درک واقعی تمرکز دارد: نه فقط اینکه هر روش چگونه کار می‌کند، بلکه چرا کار می‌کند، چه زمانی باید استفاده شود، و چگونه باید نتایج آن را در موقعیت‌های واقعی به‌صورت انتقادی ارزیابی کرد. سرفصل‌های این دوره سه شاخه اصلی یادگیری ماشین — نظارت‌شده، نظارت‌نشده و یادگیری تقویتی — را پوشش می‌دهند و پایه‌ای جامع در این حوزه به شرکت‌کنندگان می‌دهند. در بخش نظارت‌شده، یادگیرندگان مدل‌هایی مانند رگرسیون لجستیک، ماشین‌های بردار پشتیبان، جنگل‌های تصادفی و K نزدیک‌ترین همسایه را پیاده‌سازی و ارزیابی می‌کنند و آن‌ها را روی داده‌های واقعی با پایتون و scikit-learn به‌کار می‌برند. در کنار کدنویسی، دوره به نظریه آماری پشت این تکنیک‌ها می‌پردازد، از جمله نظریه تخمین، بایاس و واریانس، میانگین مربعات خطا، و بیشینه درست‌نمایی، تا یادگیرندگان استدلال پشت فرمول‌ها را درک کنند نه اینکه صرفاً آن‌ها را حفظ کنند. ارزیابی مدل به‌عنوان یک موضوع اصلی در نظر گرفته شده است.

دانشجویان یاد می‌گیرند که اعتبارسنجی متقابل را به‌کار ببرند و فراتر از نمرات دقت ساده بروند، با استفاده از معیارهایی مانند AUC-ROC و F1 تا مشخص کنند آیا یک مدل واقعاً قابل اعتماد است یا فقط در ظاهر موفق به‌نظر می‌رسد. موازنه بایاس-واریانس به‌عنوان ابزاری برای تشخیص بیش‌برازش و کم‌برازش به‌طور کامل بررسی می‌شود. در بخش نظارت‌نشده، این دوره خوشه‌بندی K-means، تحلیل مؤلفه‌های اصلی (PCA)، مدل‌سازی موضوع و تحلیل گراف را پوشش می‌دهد و یادگیرندگان را برای کشف ساختار پنهان در داده‌های بدون برچسب آماده می‌کند — مهارتی حیاتی برای تحلیل اکتشافی داده و مهندسی ویژگی. در سراسر دوره، Claude Code به‌عنوان یک همکار برنامه‌نویسی عمل می‌کند و به یادگیرندگان کمک می‌کند سریع‌تر پیاده‌سازی‌های یادگیری ماشین خود را بنویسند، اشکال‌زدایی کنند و بهبود بخشند، در حالی که بهترین شیوه‌ها را تقویت می‌کند. در پایان، شرکت‌کنندگان هم پایه نظری و هم تجربه عملی لازم برای ساخت، ارزیابی و دفاع با اطمینان از مدل‌های یادگیری ماشین در محیط‌های حرفه‌ای را خواهند داشت.

آنچه در دوره Machine Learning (with Claude Code) یاد خواهید گرفت:

ساخت و ارزیابی مدل‌های یادگیری ماشین نظارت‌شده، رگرسیون لجستیک، SVM، جنگل‌های تصادفی، KNN، بر روی داده‌های واقعی با استفاده از پایتون و scikit-learn.
استخراج مبانی آماری یادگیری ماشین، بایاس، واریانس، MSE، بیشینه درست‌نمایی — که توضیح می‌دهند چرا مدل‌های نظارت‌شده کار می‌کنند و چه زمانی شکست می‌خورند.
استفاده از موازنه بایاس-واریانس، اعتبارسنجی متقابل، و معیارهایی فراتر از دقت (AUC-ROC، F1) برای قضاوت و دفاع از قابل اعتماد بودن یک مدل.
استفاده از تکنیک‌های نظارت‌نشده، خوشه‌بندی K-means، PCA، مدل‌سازی موضوع، و تحلیل گراف، برای یافتن ساختار پنهان در داده‌های بدون برچسب.
و …

مشخصات دوره

ناشر: یودمی
مدرس: John Poh
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 77
مدت زمان آموزش: 4 ساعت و 2 دقیقه

سرفصل های دوره

Machine Learning (with Claude Code)

پیش نیازهای دوره Machine Learning (with Claude Code)

Basic Python is required. You should be comfortable with variables, functions, loops, and importing libraries. No advanced Python needed.
Familiarity with pandas and numpy, enough to load a CSV and run basic array operations. If you’re rusty, a one-hour refresher before Module 1 is sufficient.
A working terminal. You need to be able to open a terminal, navigate folders with cd, and run a Python script. No sysadmin experience required.
Node.js installed, needed to install Claude Code (npm install -g @anthropic-ai/claude-code). Free and takes under five minutes to set up.
No prior machine learning experience required, every concept is introduced from first principles with analogies before any mathematics.
No advanced mathematics required. A basic grasp of mean, variance, and what a function is will get you through. All statistical concepts are built up from scratch as they arise.
macOS, Linux, or Windows (WSL2). The labs run in a terminal environment. Windows users should have WSL2 set up; instructions are provided in the course setup guide.