درباره دوره آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ
یادگیری تحت نظارت (Supervised Learning) مهم‌ترین و پرطرفدارترین شاخه از یادگیری ماشین محسوب می‌شود. اکثر متخصصان و علاقه‌مندان به یادگیری ماشین، مسیر آموزشی و تحقیقاتی خودشون رو با الگوریتم‌های تحت نظارت شروع می‌کنند. این دوره هم دقیقاً بر...
درباره دوره آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ
یادگیری تحت نظارت (Supervised Learning) مهم‌ترین و پرطرفدارترین شاخه از یادگیری ماشین محسوب می‌شود. اکثر متخصصان و علاقه‌مندان به یادگیری ماشین، مسیر آموزشی و تحقیقاتی خودشون رو با الگوریتم‌های تحت نظارت شروع می‌کنند. این دوره هم دقیقاً برای همین نقطه شروع طراحی شده — یعنی جایی که باید پایه‌های محکمی بسازید.
یادگیری ماشین تحت نظارت به این معنیه که به الگوریتم، داده‌هایی رو می‌دیم که به‌عنوان پاسخ صحیح در نظر گرفته شده‌اند. به بیان ساده‌تر، به مدل یاد می‌دیم که ورودی مشخصی باید چه خروجی‌ای داشته باشه.
الگوریتم‌های یادگیری ماشین چند دسته‌اند؟
به‌طور کلی سه دسته اصلی داریم:
یادگیری نظارت‌شده (Supervised Learning)
یادگیری بدون ناظر یا نظارت‌نشده (Unsupervised Learning)
یادگیری تقویت‌شونده (Reinforcement Learning)
خب، بریم سراغ توضیح کوتاه هر کدوم.
یادگیری با نظارت
در الگوریتم‌های یادگیری نظارت‌شده — که عمده بار یادگیری ماشین رو به دوش می‌کشن — با دو نوع متغیر روبه‌رو هستیم: متغیرهای مستقل و متغیرهای وابسته.
متغیرهای مستقل، یک یا چند متغیری هستند که براساس مقادیرشون، متغیر دیگه‌ای رو پیش‌بینی می‌کنیم. متغیرهای وابسته یا خروجی هم همون‌هایی هستن که قراره پیش‌بینی بشن. برای تعیین مقدار این متغیرها باید تابعی بسازیم که ورودی‌ها رو بگیره و خروجی مورد نظر رو تولید کنه. این تابع، در واقع رابطه بین متغیرهای وابسته و مستقل رو نشون می‌ده و طی فرایندی به نام Training Process پیدا می‌شه. فرایند آموزش روی داده‌های موجود اعمال می‌شه و تا رسیدن به دقت کافی ادامه پیدا می‌کنه.
یادگیری نظارت‌نشده
در این نوع الگوریتم‌ها، هیچ متغیر خروجی مشخصی وجود نداره و داده‌های ارائه‌شده هیچ برچسب متناظری ندارن. الگوریتم‌ها به حال خودشون رها می‌شن تا ساختارهای پنهان میان داده‌ها رو کشف کنند.
یادگیری تقویت‌شونده
این دسته تا حدود زیادی مشابه الگوریتم‌های بدون ناظر هستن. در یادگیری تقویت‌شونده، یک عامل (Agent) یاد می‌گیره چطور در محیط با انجام کارهای مختلف و مشاهده نتایجشون، بهترین رفتار رو انتخاب کنه.
در این دوره چی یاد می‌گیرید؟
در دوره آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ، ضمن آشنایی با دسته‌بندی الگوریتم‌های مختلف یادگیری ماشین، به‌طور مشخص روی الگوریتم‌های نظارت‌شده تمرکز می‌شه. مهم‌ترین موضوعاتی که در این دوره یاد می‌گیرید عبارت‌اند از:
ساخت مدل‌های یادگیری ماشین در پایتون با استفاده از کتابخانه‌های NumPy و scikit-learn
ساخت و آموزش مدل‌های یادگیری ماشین تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک
آشنایی با اصول و روش‌های یادگیری ماشین و نحوه استفاده از تکنیک‌های machine learning برای ساخت اپلیکیشن‌های هوش مصنوعی در دنیای واقعی
مشخصات کلی دوره
ویژگی
جزئیات
عنوان دوره
آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ
مدرس
اندرو انگ (Andrew Ng)، دانشگاه استنفورد
مدت زمان
حدود ۵ ساعت
سطح
مقدماتی تا متوسط
پیش‌نیاز
ندارد
زبان
فارسی (با زیرنویس)
وضعیت قیمت
همراه با تخفیف ویژه
هدف از برگزاری این دوره چیست؟
این دوره اهداف متعددی رو دنبال می‌کنه. اصلی‌ترین هدف، آشنایی مخاطبان با مباحث پیشرفته ماشین‌لرنینگ، یادگیری عمیق (Deep Learning) و جدیدترین موضوعات مربوط به آموزش یادگیری ماشین با الگوریتم‌های نظارت‌شده هست.
در پایان دوره، مهارت‌های زیر رو کسب خواهید کرد:
منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش (Overfitting)
گرادیان نزولی (Gradient Descent)
یادگیری تحت نظارت
رگرسیون خطی
رگرسیون لجستیک برای طبقه‌بندی
این دوره به‌عنوان مقدمه‌ای برای آموزش ماشین‌لرنینگ ارائه شده و شما رو با مباحثی مثل یادگیری نظارت‌شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه‌های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه‌بندی، کاهش ابعاد، سیستم‌های توصیه‌گر) و برخی از بهترین شیوه‌های مورد استفاده در آموزش یادگیری ماشین آشنا می‌کنه.
این دوره برای چه کسانی مناسبه؟
محتوای دوره به شکلی تهیه شده که همه علاقه‌مندان به هوش مصنوعی و یادگیری ماشین بتونن ازش استفاده کنند. به‌طور مشخص، این دوره برای گروه‌های زیر طراحی شده:
دانشجویان رشته‌های مهندسی کامپیوتر و برنامه‌نویسی
فارغ‌التحصیلان مهندسی کامپیوتر در گرایش‌های مختلف
افرادی که قصد دارن وارد دنیای هوش مصنوعی و ماشین‌لرنینگ بشن
علاقه‌مندان به فناوری‌های جدید و کسانی که می‌خوان جدیدترین مباحث machine learning رو یاد بگیرن
الگوریتم‌های ماشین‌لرنینگ چطور کار می‌کنند؟
فرض کنید دارید یه آلبوم قدیمی رو ورق می‌زنید. با دیدن هر عکس، ذهن شما خیلی سریع چهره‌ها و موقعیت‌های مختلف رو تشخیص می‌ده. این فرایند دقیقاً شبیه کاریه که الگوریتم‌های یادگیری ماشین انجام می‌دن. اون‌ها با جمع‌آوری انبوهی از داده‌ها (تصاویر، متون، اعداد و ارقام)، الگوها رو شناسایی می‌کنند و بین‌شون ارتباط برقرار می‌کنند.
یادگیری ماشین زیرشاخه‌ای از هوش مصنوعی (AI) هست که به کامپیوترها امکان می‌ده بدون نیاز به برنامه‌نویسی صریح، از داده‌ها یاد بگیرن و نتایج قابل توجهی به دست بیارن. الگوریتم‌های نظارت‌شده در اینجا وظیفه دارن داده‌های حجیم رو دریافت و پردازش کنند، الگوهای پنهان رو کشف کنند و توانایی خودشون رو ارتقا بدن.
این روزها کسب‌وکارهای زیادی از الگوریتم‌های نظارت‌شده استفاده می‌کنند تا خودشون رو با تکنولوژی همراه کنند. به همین دلیل، آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ اهمیت زیادی پیدا کرده.
تفاوت یادگیری با ناظر و بدون ناظر
الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ را با تخفیف ثبت
