00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوا
0 تومان
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش ساخت پروژه یادگیری ماشین موفق

دوره‌های مکتب‌پلاس
14 ساعت
100٪ (51 رای)

کاربرد دوره آموزش ساخت پروژه یادگیری ماشین موفق چیست؟

یادگیری ماشین روشی برای تحلیل داده‌ها است که ساخت مدل‌های تحلیلی را خودکار می‌کند. ماشین لرنینگ شاخه‌ای از هوش مصنوعی محسوب می‌شود و مبتنی بر این ایده است که سیستم‌ها می‌توانند از داده‌ها بیاموزند، الگوها را شناسایی کنند و با حداقل دخالت انسان تصمیم بگیرند.

آموزش ساخت پروژه یادگیری ماشین موفق، سومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در این دوره یاد خواهید گرفت که چگونه یک پروژه را در این زمینه با موفقیت ایجاد کنید و به‌عنوان رهبر پروژه تصمیم‌گیری‌های لازم را انجام دهید.

در پایان شما قادر خواهید بود خطاهای موجود در سیستم یادگیری ماشین را تشخیص دهید، استراتژی‌هایتان را برای کاهش خطاها اولویت‌بندی کنید و تنظیمات پیچیده ML مانند مجموعه‌های آموزش و آزمایش ناسازگار را درک کنید. یادگیری end-to-end، یادگیری انتقال و یادگیری چند وظیفه‌ای از دیگر کارهایی است که بعد از گذراندن این دوره قادر به انجام آن‌ها خواهید بود.

 

هدف از یادگیری دوره آموزش ساخت پروژه یادگیری ماشین موفق چیست؟

هدف از دوره آموزش ساخت پروژه یادگیری ماشین این است که شما بتوانید توانایی‌ها، چالش‌ها و پیامدهای یادگیری عمیق را درک کنید. این دوره شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده می‌کند. علاوه بر این موارد، دوره حاضر مسیری برای شما فراهم می‌کند تا دانش و مهارت لازم را، برای استفاده از یادگیری ماشین در کار خود، ارتقا سطح فنی‌تان و برداشتن گام نهایی در دنیای هوش مصنوعی به دست آورید.

 

دوره آموزش ساخت پروژه یادگیری ماشین موفق مناسب چه کسانی است؟

این دوره نحوه انجام پروژه یادگیری ماشین را به شما آموزش می‌دهد؛ بنابراین این دوره برای کسانی که دانش اولیه یادگیری ماشین دارند، بسیار مناسب است. دوره آموزش یادگیری ماشین با استفاده از تجربه اندریو انجی (Andrew Ng) در ساخت و حمل بسیاری از محصولات یادگیری عمیق تهیه دیده شده است.

اگر شما دوست دارید یک رهبر فنی شوید و بتوانید یک تیم هوش مصنوعی را به‌خوبی هدایت کنید، این دوره قطعاً به شما در این راه کمک خواهد کرد. چراکه این دوره تجربه صنعت را به شما ارائه می‌دهد که تنها در صورت سال‌ها کار کردن در این حوزه به دست می‌آید.

 

بعد از فراگیری دوره آموزش ساخت پروژه یادگیری ماشین موفق چه مهارت‌هایی کسب خواهید کرد؟

این دوره به شما می‌آموزد که چگونه پروژه‌های یادگیری ماشین را به بهترین نحو رهبری کرده و انجام دهید. در این راستا مهارت‌های زیر را فرامی‌گیرید:

  • یادگیری عمیق
  • Inductive Transfer
  • یادگیری ماشین
  • یادگیری چند وظیفه‌ای
  • تصمیم‌گیری

سرفصل‌های دوره آموزش ساخت پروژه یادگیری ماشین موفق

فصل اول: استراتژی‌های یادگیری ماشین _ بخش اول
05:57 ساعت
01:42
Combined Shape Created with Sketch. 15 جلسه
بارم:
50%
نمایش جلسات فصل  

در این فصل از آموزش یادگیری ماشین با استراتژی‌های اندرو انجی برای انجام پروژه‌های یادگیری ماشین آشنا می‌شوید. در ابتدا به تعریف این استراتژی و ضرورت وجود آن پرداخته می‌شود. یکی از چالش‌های ساخت سیستم‌های یادگیری ماشین این است که چیزهای زیادی برای آزمایش و تغییر وجود دارد. در این شرایط باید توجه کنید که چه پارامترهایی را تنظیم می‌کنید. در این دوره این فرایند Orthogonalization نام‌گذاری شده است که با آن آشنا می‌شوید. بهینه‌سازی معیارها، بهبود عملکرد مدل و غیره از جمله مباحثی است که در این فصل مطرح می‌شود.

چرا باید استراتژی داشت؟
"02:52
خودمختاری (Orthogonalization)
"10:48
معیار ارزیابی تک عددی
"07:26
متریک رضایت‌بخشی و بهینه‌سازی
"06:08
توزیع‌های آموزش، توسعه و تست
"06:45
ابعاد داده‌های توسعه و تست
"05:49
زمان تغییر داده‌ها و ماتری‌های توسعه و تست
"11:17
چرا عملکرد در سطح انسانی
"05:56
بایاس اجتناب ناپذیر
"07:09
درک عملکرد سطح انسان
"11:22
فراتر از عملکرد در سطح انسانی
"06:31
بهبود عملکرد مدل شما
"04:46
مصاحبه با Andrej Karpathy
"15:20
آزمون فصل اول
30.0%
     
"15:00
پروژه: تقسیم‌بندی Data set به دو مجموعه آموزش و تست

 (الزامی)

70.0%
     
"240:00
فصل دوم: استراتژی‌های یادگیری ماشین _ بخش دوم
08:29 ساعت
02:14
Combined Shape Created with Sketch. 13 جلسه
بارم:
50%
نمایش جلسات فصل  

فصل دوم به ادامه استراتژی‌های یادگیری ماشین می‌پردازد. در ابتدای فصل به مباحثی مانند انجام تجزیه‌وتحلیل خطاها و پاک کردن داده‌هایی با برچسب‌های نادرست پرداخته می‌شود. همچنین شما یاد می‌گیرید که چگونه اولین سیستم خود را به‌سرعت بسازید. آموزش و آزمایش در توزیع‌های مختلف، بایاس و واریانس با توزیع داده‌های ناسازگار و آدرس‌دهی این داده‌ها از دیگر مباحث مطرح در این فصل است. در انتهای این فصل با مفاهیم مهمی مانند یادگیری انتقال، یادگیری چند وظیفه‌ای و یادگیری عمیق end-to-end آشنا می‌شوید.

تجزیه و تحلیل خطا
"10:42
پاکسازی داده‌های اشتباه لیبل زده شده
"13:15
اولین سیستم خود را به سرعت بسازید، سپس تکرار کنید
"06:11
آموزش و تست روی توزیع‌های مختلف
"11:05
بایاس و واریانس با توزیع داده‌های ناسازگار
"18:26
Addressing data mismatch
"10:18
یادگیری انتقالی
"11:27
Multi-task learning
"13:09
یادگیری عمیق end-to-end چیست؟
"11:57
آیا از یادگیری عمیق end-to-end استفاده کنیم؟
"10:29
مصاحبه با Ruslan Salakhutdinov
"17:18
آزمون فصل دوم
30.0%
     
"15:00
پروژه: شناسایی تابلوهای راهنمایی و رانندگی در اتومبیل‌های خودران

 (الزامی)

70.0%
     
"360:00

تالار گفت‌وگو

استاد دوره
Andrew Ng Andrew Ng

اندرو ان جی استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیان‌گذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا هست.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
75.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش ساخت پروژه یادگیری ماشین موفق

این آموزش سومین دوره از مجموعه تخصص یادگیری عمیق اندرو بوده و قصد دارد انجام پروژه یادگیری ماشین را به شما آموزش دهد؛ بنابراین به آموزش یادگیری ماشین از ابتدا نمی‌پردازد. برای اینکه بتوانید بهترین و بیشترین بهره را از این دوره کاربردی ببرید، باید با موارد زیر آشنایی کامل داشته باشید:

  • آشنایی با یادگیری ماشین و هوش مصنوعی
  • زبان‌های برنامه‌نویسی مانند پایتون یا R
  • مدل‌سازی داده‌ها
  • آشنایی با ریاضیات از جمله هندسه، جبر، آمار و غیره.
     
آموزش بهبود شبکه‌های عصبی عمیق
اطلاعات بیشتر
آموزش شبکه عصبی و یادگیری عمیق
اطلاعات بیشتر

ویژگی‌های دوره آموزش ساخت پروژه یادگیری ماشین موفق

Combined Shape1 Created with Sketch. گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

 

مشاهده نمونه گواهینامه

خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد. 

 

مشاهده اطلاعات بیشتر

نظرات  (1 نظر)

کاربر مکتب‌خونه
23:42 - 1400/01/18
کاربر‌ سایت
سلام خداقوت واقعا این دوره های ترجمه شده به غیر از خود درس باعث تقویت ذهنیت و فهم زبان انگلیسی می شود خداخیرتون بده یاعلی

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

اطلاعات بیشتر

سرفصل‌های دوره آموزش ساخت یک پروژه یادگیری ماشین موفق چیست؟

این دوره به شما کمک می‌کند که بتوانید به تنهایی رهبری انجام پروژه یادگیری ماشین را به عهده بگیرید و تیم خود را مدیریت کنید. واضح است که در این راه باید استراتژی‌های یادگیری ماشین را به‌خوبی درک کنید و توانایی تصمیم‌گیری برای پروژه را به دست آورید. دوره آموزش پروژه یادگیری ماشین موفق این راه را برای شما هموار می‌کند.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: استراتژی‌های یادگیری ماشین _ بخش اول
05:57 ساعت
01:42
Combined Shape Created with Sketch. 15 جلسه
بارم:
50%
نمایش جلسات فصل  

در این فصل از آموزش یادگیری ماشین با استراتژی‌های اندرو انجی برای انجام پروژه‌های یادگیری ماشین آشنا می‌شوید. در ابتدا به تعریف این استراتژی و ضرورت وجود آن پرداخته می‌شود. یکی از چالش‌های ساخت سیستم‌های یادگیری ماشین این است که چیزهای زیادی برای آزمایش و تغییر وجود دارد. در این شرایط باید توجه کنید که چه پارامترهایی را تنظیم می‌کنید. در این دوره این فرایند Orthogonalization نام‌گذاری شده است که با آن آشنا می‌شوید. بهینه‌سازی معیارها، بهبود عملکرد مدل و غیره از جمله مباحثی است که در این فصل مطرح می‌شود.

چرا باید استراتژی داشت؟
"02:52
خودمختاری (Orthogonalization)
"10:48
معیار ارزیابی تک عددی
"07:26
متریک رضایت‌بخشی و بهینه‌سازی
"06:08
توزیع‌های آموزش، توسعه و تست
"06:45
ابعاد داده‌های توسعه و تست
"05:49
زمان تغییر داده‌ها و ماتری‌های توسعه و تست
"11:17
چرا عملکرد در سطح انسانی
"05:56
بایاس اجتناب ناپذیر
"07:09
درک عملکرد سطح انسان
"11:22
فراتر از عملکرد در سطح انسانی
"06:31
بهبود عملکرد مدل شما
"04:46
مصاحبه با Andrej Karpathy
"15:20
آزمون فصل اول
30.0%
     
"15:00
پروژه: تقسیم‌بندی Data set به دو مجموعه آموزش و تست

 (الزامی)

70.0%
     
"240:00
فصل دوم: استراتژی‌های یادگیری ماشین _ بخش دوم
08:29 ساعت
02:14
Combined Shape Created with Sketch. 13 جلسه
بارم:
50%
نمایش جلسات فصل  

فصل دوم به ادامه استراتژی‌های یادگیری ماشین می‌پردازد. در ابتدای فصل به مباحثی مانند انجام تجزیه‌وتحلیل خطاها و پاک کردن داده‌هایی با برچسب‌های نادرست پرداخته می‌شود. همچنین شما یاد می‌گیرید که چگونه اولین سیستم خود را به‌سرعت بسازید. آموزش و آزمایش در توزیع‌های مختلف، بایاس و واریانس با توزیع داده‌های ناسازگار و آدرس‌دهی این داده‌ها از دیگر مباحث مطرح در این فصل است. در انتهای این فصل با مفاهیم مهمی مانند یادگیری انتقال، یادگیری چند وظیفه‌ای و یادگیری عمیق end-to-end آشنا می‌شوید.

تجزیه و تحلیل خطا
"10:42
پاکسازی داده‌های اشتباه لیبل زده شده
"13:15
اولین سیستم خود را به سرعت بسازید، سپس تکرار کنید
"06:11
آموزش و تست روی توزیع‌های مختلف
"11:05
بایاس و واریانس با توزیع داده‌های ناسازگار
"18:26
Addressing data mismatch
"10:18
یادگیری انتقالی
"11:27
Multi-task learning
"13:09
یادگیری عمیق end-to-end چیست؟
"11:57
آیا از یادگیری عمیق end-to-end استفاده کنیم؟
"10:29
مصاحبه با Ruslan Salakhutdinov
"17:18
آزمون فصل دوم
30.0%
     
"15:00
پروژه: شناسایی تابلوهای راهنمایی و رانندگی در اتومبیل‌های خودران

 (الزامی)

70.0%
     
"360:00