دوره آموزشی مبانی هوش مصنوعی: یادگیری ماشینی
1 ساعت 51 دقیقهمبتدی2023-05-30
مدرسین

Kesha Williams
Software Engineering Manager, Speaker, Tech Blogger
جزئیات دوره
🔹 یادگیری ماشین یکی از هیجانانگیزترین شاخههای هوش مصنوعی است که به سیستمها امکان میدهد بدون نیاز به مداخله انسانی، از دادهها یاد بگیرند، الگوها را شناسایی کنند و تصمیمگیری کنند.
در این دوره، مدرس Kesha Williams شما را با چرخه حیات یادگیری ماشین آشنا میکند و به شما کمک میکند تا اولین مدل یادگیری ماشین خود را آموزش دهید.
📌 سرفصلهای دوره:
✅ آشنایی با انواع روشهای یادگیری ماشین:
یادگیری نظارتشده (Supervised Learning)
یادگیری بدون نظارت (Unsupervised Learning)
یادگیری تقویتی (Reinforcement Learning)
✅ نحوه گردآوری و آمادهسازی دادهها برای مدلها
✅ انتخاب بهترین الگوریتم برای پروژههای یادگیری ماشین
✅ ارزیابی عملکرد مدل با استفاده از معیارهای استاندارد
✅ ایجاد یک پایپلاین یادگیری ماشین برای سادهسازی فرآیند
اگر قصد دارید با فرآیند توسعه سیستمهای یادگیری ماشین آشنا شوید، این دوره را از دست ندهید!
در این دوره، مدرس Kesha Williams شما را با چرخه حیات یادگیری ماشین آشنا میکند و به شما کمک میکند تا اولین مدل یادگیری ماشین خود را آموزش دهید.
📌 سرفصلهای دوره:
✅ آشنایی با انواع روشهای یادگیری ماشین:
یادگیری نظارتشده (Supervised Learning)
یادگیری بدون نظارت (Unsupervised Learning)
یادگیری تقویتی (Reinforcement Learning)
✅ نحوه گردآوری و آمادهسازی دادهها برای مدلها
✅ انتخاب بهترین الگوریتم برای پروژههای یادگیری ماشین
✅ ارزیابی عملکرد مدل با استفاده از معیارهای استاندارد
✅ ایجاد یک پایپلاین یادگیری ماشین برای سادهسازی فرآیند
اگر قصد دارید با فرآیند توسعه سیستمهای یادگیری ماشین آشنا شوید، این دوره را از دست ندهید!
مهارت ها
Machine LearningArtificial Intelligence FoundationsFoundationsArtificial Intelligence (AI)
سرفصل ها
0. مقدمه
- 01 - مقدمه ای بر مبانی هوش مصنوعی - دوره یادگیری ماشین
- 02 - بررسی سناریوهای دوره
1. درک یادگیری ماشین
- 03 - کاوش در یادگیری ماشینی
- 04 - بررسی نحوه یادگیری ماشین ها
2. پیادهسازی راه حل یادگیری ماشین
- 05 - شکستن چرخه زندگی یادگیری ماشینی
- 06 - کادربندی مشکلات یادگیری ماشین
- 07 - شناسایی مدل از پیش ساخته شده
- 08 - شناخت ابزارهای مورد استفاده برای آموزش مدل
3. آماده سازی دادهها برای یادگیری ماشینی
- 09 - به دست آوردن داده ها
- 10 - تجسم و درک داده ها
- 11 - درک مهندسی ویژگی
- 12 - دمو - انجام مهندسی ویژگی
4. آموزش یک مدل یادگیری ماشینی
- 13 - درک الگوریتمهای یادگیری و آموزش مدل
- 14 - بررسی الگوریتمهای یادگیری برای طبقه بندی
- 15 - بررسی الگوریتمهای یادگیری برای رگرسیون
- 16 - بررسی الگوریتمهای یادگیری اضافی
- 17 - آموزش یک مدل یادگیری ماشین سفارشی
- 18 - دمو - آموزش یک مدل یادگیری ماشین سفارشی
5. ارزیابی عملکرد مدل
- 19 - بررسی معیارهای طبقه بندی رایج
- 20 - درک ماتریس سردرگمی
- 21 - بررسی معیارهای رگرسیون رایج
- 22 - تعیین اهمیت ویژگی
- 23 - مبارزه با تعصب
6. عملیاتی کردن خط لوله یادگیری ماشین
- 24 - ساختار خط لوله یادگیری ماشین
- 25 - دمو - طراحی و ساخت خط لوله
نتیجه
- 26 - سفر یادگیری ماشین شما
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی یادگیری ماشین و آمار فضایی در پایتون
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری نظارتشده
- دوره آموزشی یادگیری ماشین در مخابرات: از مبانی تا نمونههای واقعی
- دوره آموزشی Power BI: ترکیب هوش مصنوعی با دادهها