تبدیل شدن به یک مهندس یادگیری ماشین - Become a Machine Learning Engineer

هوش مصنوعی پیشرفته ( AI ) از دهه ۱۹۵۰ در بوده ‌است ، اما نوآوری‌های سخت‌افزاری اخیر ، این حوزه را افزایش داده‌اند . حسگرهای جدید به ماشین‌ها کمک می‌کنند تا دقیق‌تر ببینند، صداها را بشنوند و موقعیت را درک کنند . پردازنده‌های قدرتمند می‌توانند به کامپیوترها در تصمیم‌گیری‌های پیچیده کمک کنند ، و از طریق احتمالات ، نتایج برنامه‌ریزی را بهتر کنند و از اشتباه‌ات یاد بگیرند. احتمالات هیجان‌انگیز هستند ؛ مفاهیم بسیار وسیع هستند . این درس شما را با برخی از مفاهیم کلیدی هوش مصنوعی آشنا می‌کند، از جمله تفاوت‌های بین "قوی" و "ضعیف" . شما خواهید دید که هوش مصنوعی چگونه سوالاتی را مطرح کرده ‌است که به معنای هوشمند بودن و میزان اعتماد ما به ماشین‌ها است . مدرس Doug Rose ، از رویکردهای مختلف به هوش مصنوعی ، از جمله یادگیری ماشینی و یادگیری عمیق، و کاربردهای عملی برای فن‌آوری‌های جدید هوش مصنوعی ، توضیح می‌دهد . علاوه بر این، یاد بگیرید چگونه هوش مصنوعی را با تکنولوژی دیگر ادغام کنیم، مانند داده‌های بزرگ، و از برخی مشکلات رایج مرتبط با برنامه‌نویسی استفاده کنید. موضوعات شامل: تاریخچه هوش مصنوعی فراگیری ماشین رویکردهای فنی AI هوش مصنوعی در رباتیک ادغام هوش مصنوعی با داده های بزرگ اجتناب از دام ها

یادگیری ماشین ، یکی از معروفترین مفاهیم هوش مصنوعی است. الگوریتم های یادگیری ماشین اجازه می دهد که کامپیوترها بدون برنامه ریزی چیزهای جدید یاد بگیرند. آنها از آمار به عنوان راهی برای درک مقادیر عظیم داده هایی که هر روز ایجاد می کنند ، استفاده می کنند. این الگوریتم های جدیدتر به ماشین ها کمک می کنند تصاویر، صدا و ویدیو را طبقه بندی کنند. آنها می توانند به سؤالات ما پاسخ دهند، داروهای جدیدی کشف کرده و حتی آوازها را بنویسند. در این دوره، ما تعریف و انواع یادگیری ماشین را بررسی می کنیم: نظارت، عدم نظارت و تقویت. سپس شما می توانید ببینید که چگونه از الگوریتم های محبوب مانند درخت تصمیم گیری، خوشه بندی، و تجزیه و تحلیل رگرسیون برای دیدن الگوها، در مجموعه داده های عظیم استفاده کنید. در نهایت شما می توانید در مورد برخی از مشکلات در هنگام شروع در استفاده از یادگیری ماشین ، یاد بگیرند. موضوعات شامل: نحوه کار با داده را شرح دهید. اصول یادگیری ماشین را اعمال کنید. انواع مختلف یادگیری ماشین را متمایز کنید. مشکلاتی را که از یادگیری ماشین استفاده می کنند شناسایی کنید. درختان تصمیم گیری ایجاد کنید. نحوه انتخاب بهترین الگوریتم را توضیح دهید.

احتمالاً قبلاً در مورد یادگیری ماشین شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح در واقع به چه معناست؟ چگونه یک ماشین یاد می گیرد؟ آیا به ساختن مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟ در این دوره، فردریک نوانگانگا یادگیری ماشین را به روشی قابل دسترسی معرفی می کند و راهنمایی های گام به گام در مورد چگونگی شروع کار با یادگیری ماشین از طریق پرکاربردترین زبان مورد استفاده امروز، پایتون، ارائه می دهد. فردریک دقیقاً با معنای یادگیری ماشین ها و شیوه های مختلف یادگیری شروع می کند، سپس به نحوه جمع آوری، درک و آماده سازی داده ها برای یادگیری ماشین می پردازد. او همچنین نمونه های هدایت شده ای از نحوه انجام هر مرحله با استفاده از پایتون را ارائه می دهد. در نهایت، او همه چیز را برای ایجاد، ارزیابی و تفسیر نتایج مدل یادگیری ماشین در پایتون گرد هم می آورد.

یادگیری عمیق به عنوان یک فناوری در چند سال اخیر رشد چشمگیری داشته است. راه‌حل‌های هوش مصنوعی بیشتر و بیشتر از یادگیری عمیق به عنوان فناوری پایه خود استفاده می‌کنند. با این حال، مطالعه این فناوری دارای چالش‌های متعددی است. بیشتر منابع یادگیری ریاضی سنگینی هستند و بدون داشتن مهارت های ریاضی خوب به سختی می توان آنها را جستجو کرد. متخصصان فناوری اطلاعات برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. هدف این دوره ارائه یک مسیر ساده برای مطالعه اصول یادگیری عمیق و رسیدن سریع به بهره‌وری است. مربی Kumaran Ponnambalam با مقدمه ای بر یادگیری عمیق، از جمله شبکه های عصبی مصنوعی و معماری ها شروع می کند. او در میان بلوک‌های ساختمانی مختلف شبکه‌های عصبی با توضیحات ساده و قابل درک حرکت می‌کند. کوماران همچنین کدی را در Keras برای پیاده سازی این بلوک های ساختمانی ایجاد می کند. سپس با یک تمرین انتها به انتها همه را جمع می کند. در نهایت، آنچه را که یاد گرفتید با یک مشکل یادگیری عمیق آزمایش کنید و راه حل خود را با کوماران مقایسه کنید.

نوآوری در امور مالی، بهداشت، رباتیک و سایر بخشهای دیگر با یادگیری تقویت (RL)، که شامل آموزش ماشین آلات برای یادگیری از محیط آنها است، امکان پذیر شده است. بسیاری از شرکت‌های برتر فناوری در این زمینه سرمایه گذاری زیادی می‌کنند. در این دوره، مدرس Khaulat Abdulhakeem به شما کمک می‌کند تا اصول این مهارت نسبتاً جدید، اما ارزشمند را بیاموزید. اصطلاحات کلیدی مورد استفاده در RL، چگونگی نقش RL در پیشرفت AI و انواع مشکلاتی که می‌توانید برای حل آنها از RL استفاده کنید را بشناسید. او به شما نشان می‌دهد چگونه مشکلات یادگیری تقویت را تعریف و نشان دهید. او همچنین به الگوریتم‌های RL، از جمله روش‌های مونت کارلو و تفاوت زمانی می‌پردازد. به علاوه، او RL عمیق و چندعاملی و همچنین نحوه یادگیری معکوس و اینکه چگونه می‌تواند با تقلید به عوامل کمک کند را کشف می‌کند.

TensorFlow یکی از محبوب‌ترین فریمورک‌‌های یادگیری عمیق، موجود است. این برای همه چیز، از تحقیقات یادگیری دستگاه cutting-edge گرفته تا ساختن ویژگی‌های جدید برای داغترین start-upsها در Silicon Valley استفاده می‌شود. در این دوره، نحوه نصب TensorFlow و استفاده از آن برای ساختن یک مدل یادگیری عمیق ساده را بیاموزید. مربی Adam Geitgey پس از نشان دادن نحوه‌ی کار و راه اندازی TensorFlow، نحوه ایجاد و آموزش یک مدل یادگیری ماشین و همچنین نحوه استفاده از ابزارهای تجسم برای تجزیه و تحلیل و بهبود مدل خود را نشان می‌دهد. سرانجام، او نحوه استقرار مدل‌ها بصورت لوکال یا در ابر را توضیح می‌دهد. با پایان دادن به این دوره، شما آماده خواهید بود تا ساخت و استقرار مدل‌های خود را با TensorFlow شروع کنید. اهداف یادگیری TensorFlow چیست؟ سخت افزار، نرم افزار و زبان مورد نیاز ایجاد مدل TensorFlow آموزش یک مدل یادگیری عمیق با TensorFlow تجسم نمودار محاسباتی افزودن تجسم های سفارشی به TensorBoard صادرات مدلها برای استفاده با Google Cloud

در اختیار داشتن ابزارهای عالی، اگر نمی‌دانید که کدام ابزار را واقعا نیاز دارید، و اینکه چطور هر ابزار برای آن‌ها مفید است و چطور کار می‌کنند، مفید نخواهد بود. در این دوره به اعماق درونی شبکه‌های عصبی شیرجه بزنید، تا بتوانید با ابزارهای یادگیری ماشین به طور موثرتری کار کنید. مربی Eduardo Corpeno با ارائه یک سری تمرین‌ها در پایتون به شما کمک می‌کند تا به عنوان مثال یاد بگیرید تا آنچه در داخل می‌افتد را درک کنید. نحوه ارتباط بخشهایی از یک نورون بیولوژیکی را با عناصر پایتون کشف کنید، که به شما امکان می‌دهد یک مدل از مغز را بسازید. سپس، نحوه ساخت و آموزش یک شبکه را بیاموزید، همچنین یک شبکه عصبی ایجاد کنید که اعدادی را که از یک نمایشگر هفت بخشی به دست می‌آید تشخیص دهد. حتی اگر به جای نوشتن کد خود، احتمالاً از طریق یک مجموعه نرم‌افزاری با شبکه‌های عصبی کار خواهید کرد، دانشی که در این دوره کسب خواهید کرد می‌تواند به شما کمک کند تا برای هر مشکلی که دارید با استفاده از آن از روش شبکه عصبی و معماری شبکه عصبی مناسب استفاده کنید.

دقیقاً چت بات چیست؟ چه تفاوتی با یک ربات دارد، چگونه می‌توان یک بات را توسعه داد و چگونه می‌توان از آن استفاده کرد، بعد از اینکه توسعه یافت؟ مربی Bhavani Ravi شما را در یادگیری چت بات‌ها و توسعه اولین مورد راهنمایی می‌کند. او با توصیف اینکه چت بات چیست، چه نوع ربات‌های چت امروزه وجود دارد و تفاوت چت بات با ربات‌ها و برنامه‌ها، آغاز می‌شود. او از اجزای سیستم چت بات عبور می‌کند و در مورد پردازش زبان طبیعی (NLP) بحث می‌کند که به ربات‌های چت امکان می‌دهد تا درخواست‌ها را به زبان انسانی درک کنند. او در طراحی چت بات گام برمی دارد، سپس `مغز` چت بات را به شما نشان می‌دهد: مدل‌های ML. Bhavani به شما نشان می‌دهد که چگونه از مدل‌های ML برای آموزش chatbot خود استفاده کنید، شما را به نوشتن chatbot خود دعوت می‌کند، سپس با برخی از پروژه‌هایی که می‌توانید روی آنها کار کرده و به GitHub ارائه دهید نتیجه گیری می‌کند.