Machine Learning چیست؟

ضبط شده

مروری بر یادگیری تحت نظارت، بدون نظارت و تقویتی با دموهای پایتون

امتیاز دوره

هنوز امتیاز ندارد

زیرنویس فارسی و انگلیسی

ماراد، مرکز آموزش از راه دور

زندگی فعال
16 اپیزود
2 ساعت و 7 دقیقه

درباره دوره اپیزود ها توضیحات تکمیلی اطلاعات استاد کامنت ها

در این دوره چه چیز هایی می آموزید؟

Machine Learning

Reinforcement Learning در پایتون

اپیزودها

اپیزود 1 بخش 1: مقدمه

6 دقیقه

مقدمه‌ای بر دوره و راهنمایی به منابع دوره

اپیزود 2 بخش 2: Supervised Machine Learning

15 دقیقه

این سخنرانی نمای کلی از Machine Learning را ارائه می‌دهد

اپیزود 3 بخش 3 : Unsupervised Machine Learning

14 دقیقه

این سخنرانی خلاصه‌ای از Machine Learning را ارائه می‌دهد

اپیزود 4 بخش 4 :Reinforcement Learning

15 دقیقه

این سخنرانی مروری بر Reinforcement Learning ارائه می‌دهد

اپیزود 5 بخش5.0 : نمایش کدهای پایتون

3 دقیقه

این بخش نمایی کلی از بخش ۵ این دوره دربارهٔ نمایش کدهای پایتون را ارائه می‌دهد.

اپیزود 6 بخش 5.1 : نمایش Linear Regression در Google Colab

11 دقیقه

نمایش نمونه‌ای از استفاده از رگرسیون خطی برای پیش‌بینی قیمت خانه

اپیزود 7 بخش 5.2: طبقه‌بندی باینری

6 دقیقه

طبقه‌بندی باینری

اپیزود 8 بخش 5.3: نمایش چندکلاسه‌سازی در Google Colab

6 دقیقه

نمایش چندطبقه‌ای طبقه‌بندی

اپیزود 9 بخش 5.4 : نمایش طبقه‌بندی اعداد MNIST در Google Colab

8 دقیقه

طبقه‌بندی اعداد MNIST

اپیزود 10 بخش 5.5 : خوشه‌بندی K Means در Google Colab

5 دقیقه

نمایش K Means Clustering

اپیزود 11 بخش 5.6: دموی PCA در Google Colab

4 دقیقه

دموی تجزیه و تحلیل مولفه‌های اصلی (PCA) در گوگل کولاب

اپیزود 12 بخش 5.7: دموی K Bandit در Google Colab

9 دقیقه

شبیه‌سازی K Bandit در Google Colab

اپیزود 13 بخش 5.8: نمایش استراتژی معما در Google Colab

5 دقیقه

نمونه‌ای از استراتژی حل ماز با استفاده از الگوریتم یادگیری Q در Google Colab

اپیزود 14 بخش 5.9: اجرای کدها بر روی یک ماشین محلی با استفاده از پلتفرم Anaconda

10 دقیقه

اپیزود 15 بخش 6 : نکات پایانی و منابع مفید

8 دقیقه

این سخنرانی نتیجه‌گیری‌هایی را ارائه می‌دهد و فهرستی از منابع مفید را شامل می‌شود

اپیزود 16 درس پاداش (اختیاری)

2 دقیقه

سخنرانی اضافی

اکشن های دوره

شرکت در دوره : 21,000 تومان

توضیحات دوره

نتایج دوره:

آموزگاران که این دوره را به پایان می‌رسانند، قادر خواهند بود تعاریف را ارائه دهند و انواع مسائلی را توضیح دهند که می‌توانند توسط ۳ حوزه کلی یادگیری ماشین حل شوند: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی.

موضوعات و رویکرد دوره:

این دوره یک مقدمه ملایم به ۳ حوزه کلی یادگیری ماشین ارائه می‌دهد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی.

هدف این است که ایده‌های کلیدی را با استفاده از مثال‌ها و نمودارها و انیمیشن‌های زیاد و ریاضیات کمی توضیح دهیم تا مطالب برای دامنه وسیعی از یادگیرندگان قابل دسترسی باشد. دروس با دموهای پایتون همراه است که یادگیری ماشین را در عمل نشان می‌دهد.

یادگیرندگان تشویق می‌شوند که با کدهای دمو دوره آزمایش کنند. علاوه بر این، اطلاعاتی درباره منابع یادگیری ماشین ارائه می‌شود، از جمله منابع داده و بسته‌های نرم‌افزاری عمومی در دسترس.

مخاطبان دوره:

این دوره برای تمام یادگیرندگان طراحی شده است!!!

دوره به جزئیات ریاضیات زیرین نمی‌پردازد، بنابراین هیچ پیش‌زمینه خاصی در ریاضیات لازم نیست.
تجربه قبلی با یادگیری ماشین الزامی نیست.
تجربه قبلی با پایتون (یا برنامه‌نویسی به طور کلی) برای آزمایش کدهای دمو دوره الزامی نیست.

سبک تدریس و منابع:

دوره شامل مثال‌های زیادی با نمودارها و انیمیشن‌ها است که برای کمک به دانش‌آموزان در درک بهتر مطالب استفاده می‌شود.
تمام منابع، از جمله کدهای دوره، ارائه‌های پاورپوینت و اطلاعات درباره منابع اضافی، از سایت گیت‌هاب دوره قابل دانلود است.

دموهای پایتون:

چندین گزینه برای اجرای دموهای پایتون وجود دارد:

اجرای آنلاین با استفاده از Google Colab (با این گزینه، کدهای دمو می‌توانند کاملاً آنلاین اجرا شوند و نیازی به دانلود نیست. نیاز به یک حساب گوگل دارید.)
اجرا بر روی ماشین محلی با استفاده از پلتفرم Anaconda (این احتمالاً بهترین گزینه است...)

روش‌هایی برای افرادی که می‌خواهند کدها را به‌صورت محلی اجرا کنند، اما پایتون را بر روی سیستم محلی خود ندارند. ویدیوی نمایشی نشان می‌دهد که چگونه می‌توان نسخه رایگان جامعه‌ای پلتفرم Anaconda را دریافت کرد و چگونه کدها را اجرا کرد.