درخواست دوره
برای درخواست دوره کلیک کنید
دوره های آموزشی یادگیری ماشین از طریق بسیاری از سایت ها و پلتفرم های آموزشی در دسترس است. در ادامه چند نمونه از این سایت ها آمده است:
– Coursera
– EdX
– Udemy
– DataCamp
– Codeacademy
– Udacity
در این سایت ها، می توانید دوره هایی در زمینه یادگیری ماشین و همچنین بسیاری از دوره های دیگر مانند برنامه نویسی، علوم داده، شبکه های عصبی و غیره را مشاهده کرده و برای خود ثبت نام کنید.با ثبت نام در یکی از این سایت ها، شما می توانید دوره های مختلفی را شروع کنید و برای کار و پروژه های خود از این دانش استفاده کنید. منتهی در ایران به دلیل اعمال تحریم های رایانه ای، دسترسی به این سایت ها امکان پذیر نمی باشد.
یادگیری ماشین لرنینگ به دلایل زیادی جذاب است که عبارتند از:
1- قابلیت پردازش حجم بزرگی از داده ها: یادگیری ماشین قابلیت پردازش حجم بزرگی از داده ها را دارد و باعث افزایش سرعت کاربرد آن می شود.
2- کارایی بالا: یادگیری ماشین قادر است به دقت بالا و کارایی بالاتری نسبت به روش های سنتی تشخیص دادن الگو و استخراج اطلاعات از داده ها، به صورت خودکار انجام شود.
3- تشخیص الگوهای پیچیده: این روش قادر است الگوهای پیچیده را تشخیص دهد که روش های سنتی قادر به تشخیص آنها نیستند.
4- اتوماسیون کار: به دلیل دقت و کارایی یادگیری ماشین، این روش به شدت می تواند کارهای انتقالی و پر تکرار را اتوماسیون کند.
5- بهینه سازی و پیش بینی: یادگیری ماشین قادر به پیش بینی و بهینه سازی هر چه بیشتر عملکرد است. این قابلیت باعث افزایش سود و بهبود کیفیت تصمیم گیری می شود.
که همه اینها از مهمترین مزایای یادگیری ماشین هستند.
ماشین لرنینگ، یکی از فناوری های پر کاربرد دنیای امروز است و در بسیاری از صنایع کاربرد دارد. بعضی از کاربردهای ماشین لرنینگ عبارتند از:
۱. تشخیص الگو: ماشین لرنینگ می تواند به سادگی الگوهای مختلف را کشف کند. به عنوان مثال، می تواند الگوهای مشابه در داده های مالی، عکس های پزشکی و غیره را تشخیص دهد.
۲. پیش بینی: یادگیری ماشین می توانند برای تحلیل داده ها و پیش بینی نتایج استفاده شوند. برای مثال، با استفاده از مدل های پیش بینی بازار سهام، می توان بازده سهام شرکت را پیش بینی کرد.
۳. ترجمه ماشینی: الگوریتم های آموزش دیده با برنامه های ترجمه ماشینی می توانند به ترجمه دو زبان مختلف از نوشتار و گفتار بپردازند.
۴. تشخیص فریب: یادگیری ماشین با تحلیل الگوهای موجود، می توانند فریب و تقلب را در شبکه های بانکی شناسایی کنند.
۵. ماشین های خودران: ماشین لرنینگ در خودروهای هوشمند استفاده می شود. این ماشین های خودران، با تحلیل داده های حسگر ها و تحلیل تصاویر، می توانند خودرو را به صورت خودکار و بدون نیاز به راننده کنترل کنند.
۶. پردازش زبان طبیعی: یادگیری ماشین می تواند در پردازش زبان طبیعی و تحلیل متن به کار گرفته شود. این تکنولوژی می تواند در بسیاری از زمینه هایی مانند مدیریت موارد مشتری، تحلیل توییت ها و مقالات و … به کار گرفته شود.
مجموعه پایتون کلینیک، با بهره مندی از اساتید بسیار توانمند که تجربه برگزاری این دوره را هم به صورت خصوصی و هم بصورت عمومی و گروهی برای دانشگاه ها و سازمانهای متعددی دارد، دوره آموزشی یادگیری ماشین (Machine Learning) و پیاده سازی آن در زبان برنامه نویسی پایتون را هم بصورت آنلاین و هم به صورت حضوری برگزار می کند.
در ادامه سرفصل هایی که در این دوره آموزشی ارائه می شوند را مشاهده خواهیم کرد.
1- مقدمه ای بر یادگیری ماشین (تعریف و کاربردهای آن)
1 – 1 – انواع الگوریتم های یادگیری
1 – 2 – ماتریس درهم ریختگی
1 – 3 – معیارها
2- داده
2 – 1 – انواع داده
2 – 2 – شاخص های آماری
2 – 3 – نمایش گرافیکی توصیف های آماری
2 – 4 – وابستگی
3- پیش پردازش داده
3 – 1 – معیارهای کیفیت داده ها
3 – 2 – پیش پردازش داده های خام (Preprocessing)
3 – 3 – داده های از دست رفته (Missing Values)
3– 4 – داده های آغشته به نویز
3 – 5 – روش بسکتینگ (سبدی) برای هموار کردن داده ها (Data Smoothing)
3– 6 – پیاده سازی مراحل پیش پردازش داده ها در غالب یک پروژه کاربردی در زبان برنامه نویسی پایتون
4- رگرسیون
4 – 1 – رگرسیون خطی
4 – 2 – تابع هزینه (Cost Function)
4 – 3 – الگوریتم بهینه سازی گرادیان کاهشی (Gradient Descent)
4 – 4 – معادله نرمال (Normal Equation)
4– 5 – پیاده سازی چند پروژه با استفاده از روش رگرسیون خطی در زبان برنامه نویسی پایتون
5- رگرسیون لجستیک (Logistic Regression)
5 – 1 – تابع هزینه (Cost Function) در رگرسیون لجستیک
5 – 2 – مرز تصمیم خطی و غیرخطی
5 – 3 – طبقه بندی با چند کلاس
5 – 4 – بایاس و واریانس (Bias & Variance)
5 – 5 – پیچیدگی مدل (Model Complexity)
5– 6 – پیاده سازی یک پروژه با استفاده از روش رگرسیون لجستیک در زبان برنامه نویسی پایتون
6- ماشین های بردار پشتیبان (Support Vector Machines – SVM)
6 – 1 – ماشین بردار پشتیبان
6– 2 – اندازه Margin (محدوده ایمن – حاشیه)
6 – 3 – بردارهای پشتیبان
6 – 4 – حداکثر سازی اندازه Margin بعنوان یک مساله بهینه سازی
6 – 5 – بهینه سازی با استفاده از ضرایب لاگرانژ
6 – 6 – ماشین بردار پشتیبان از نوع Soft Margin (حاشیه نرم)
6– 7 – اند حقه کرنل (Kernel Trick)با استفاده از کرنل های چند جمله ای، گوسی و سیگموید
6 – 8 – پیاده سازی یک پروژه با استفاده از روش SVM در زبان برنامه نویسی پایتون
7- درخت تصمیم (Decision Tree)
7 – 1 – آشنایی با درخت تصمیم
7– 2 – روش ها و رویکردهای مختلف طراحی و ایجاد درخت تصمیم
7– 2 –1 – روش آنتروپی
7– 2 –2- روش ضریب جینی (Gini Index)
7– 2 –3- روش بهره (Gain)
7 – 3 – پیاده سازی یک پروژه با استفاده از درخت تصمیم در زبان برنامه نویسی پایتون
8- شبکه های عصبی مصنوعی(Artificial Neural Networks)
8 – 1 – معرفی شبکه های عصبی مصنوعی
8– 2 – نورون های مصنوعی
8 – 3 – آموزش یک پرسپترون با استفاده از قانون دلتا
8 – 4 – شبکه عصبی پرسپترون چند لایه (Multi-Layer Perceptron – MLP)
8 – 5 – محاسبه خروجی شبکه عصبی (آندوسکوپی درون یک شبه عصبی)
8 – 6 – طبقه بندی (کلاسیفیکیشن) با استفاده از شبکه عصبی مصنوعی
8– 7 – الگوریتم پس انتشار خطا (Back Propagation)
8 – 8 – انواع توابع فعال سازی (Activation Functions)
8– 8 –1 – تابع پله
8– 8 –2– تابع سیگمویید
8– 8 –3– تابع Relu
8– 8 –4– تابع تانژانت هیپربولیک (Hyperbolique)
8 – 9 – قاعده مشتق زنجیره ای برای به روز سازی وزن ها و بایاس ها
8 – 10 – پیاده سازی یک پروژه شبکه عصبی با استفاده از پکیج scikit learn در زبان برنامه نویسی پایتون
8 – 11 – پیاده سازی یک پروژه شبکه عصبی بدون استفاده از پکیج scikit learn (بصورت from Scratch) در زبان برنامه نویسی پایتون
9- الگوریتم طبقه بندی K نزدیک ترین همسایه (KNN Classification)
9 – 1 – آشنایی با کاربرد الگوریتم KNN در غالب چند مثال
9– 2 – معرفی تئوریکال الگوریتم KNN
9 – 3 – روش های مبتنی بر نمونه ( Instance-Based)
9 – 4 – مرز تصمیم (Decision Boundary) با استفاده از دیاگرام Voronoi
9 – 5 – معرفی معیارهای شباهت (Similarity)
9 – 6 – اثر معیار شباهت در اندازه مرز تصمیم
9– 7 – چگونگی انتخاب بهترین مقدار برای K
9 – 8 – پیاده سازی یک پروژه با استفاده از KNN در زبان برنامه نویسی پایتون
10- الگوریتم طبقه بندی بیزین
10– 1 – آشنایی با احتمال شرطی
10– 2 – بسط و تفسیر قضیه بیزین و تعمیم آن
10 – 3 – پیاده سازی یک پروژه با استفاده از الگوریتم طبقه بندی بیزین در زبان برنامه نویسی پایتون
11- یادگیری جمعی (Ensemble Learning)
11 – 1 – نمونه برداری با روش Bootstrap
11– 2 – روش Bagging
11 – 3 – روش Boosting
11– 4 – الگوریتم AdaBoost
11 – 5 – طبقه بندی Random Forest
12- انتخاب ویژگی (Feature Selection)
12 – 1 – آشنایی با انتخاب ویژگی
12– 2 – روش فیلتر
12 – 3 – معیار اطلاعات متقابل ( Mutual information)
12– 4 – روش طبقه بندی روپوش ( Wrapper)
12–5 – انتخاب ویژگی با استفاده از الگوریتم های متاهیوریستیک یا فراابتکاری
13- کاهش ابعاد (Dimension Reduction)
13 – 1 – آشنایی با کاهش ابعاد
13– 2 – مروری بر مفاهیم ماتریس های قطری و متعامد، دترمینان ماتریس، بردار و مقدار ویژه یک ماتریس، تجزیه مقدارهای منفرد، ماتریس کواریانس
13 – 3 – کاربردهای کاهش ابعاد
13 – 4 – بصری سازی داده ها
13– 5 – تفاوت بین استخراج ویژگی (Feature Extraction) و انتخاب ویژگی (Feature Selection)
13 – 6 – الگوریتم استخراج ویژگی با نظارت LDA
13– 7 – الگوریتم استخراج ویژگی بدون نظارت PCA
13 – 8 – پیاده سازی چند پروژه در زبان برنامه نویسی پایتون
14- خوشه بندی (Clustering)
14 – 1 – تفاوت آموزش بدون نظارت با آموزش با نظارت
14– 2 – کاربردهای کلاسترینگ
14 – 3 – خوشه بندی افرازی (Partitional Clustering)
14 – 4 – معرفی و بسط الگوریتم K-means
14– 5 – انتخاب کلاسترها (روش آرنجی)
14 – 6 – کلاسترینگ سلسله مراتبی
14– 7 – معرفی نمودار دندروگرام (Dendrogram)و بررسی کاربرد آن در انتخاب تعداد خوشه ها
14 – 8 – خوشه بندی مبتنی بر چگالی (روش DBSCAN)
14 – 9 – پیاده سازی روش های کلاسترینگ K-means ، سلسله مراتبی و DBSCAN در غالب چند پروژه در زبان برنامه نویسی پایتون
15- کشف داده های پرت
15 – 1 – انواع داده های پرت
15– 2 – بررسی روش های تشخیص و کشف داده های پرت
15 – 3 – پیاده سازی چند پروژه در زبان برنامه نویسی پایتون
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.