×
ribbon
سرفصل‌های دوره درباره دوره نظرات کاربران

آموزش یادگیری ماشین (Andrew NG)

ویدیوهای زبان اصلی دوره به صورت رایگان هستند اما برای دسترسی به زیرنویس فارسی ویدیوها می توانید محتوای دوره را خریداری کنید. کاربرد دوره آموزش رایگان یادگیری ماشین Andrew NG چیست؟ یادگیری ماشین علمی است ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
 97% (1439 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  20 ساعت
مجموع محتوای آموزشی:  20 ساعت ویدئو
 (قابل دانلود می‌باشد)

سرفصل‌های دوره آموزش یادگیری ماشین (Andrew NG)

فصل اول: مقدمه

در فصل اول دوره آموزش ماشین لرنینگ با مفاهیم اولیه و ابتدایی یادگیری ماشین آشنا می‌شوید. یادگیری ماشین انواعی دارد. یادگیری نظارت شده و یادگیری بدون نظارت دو نوع کلی یادگیری ماشین هستند که به توضیح آن‌ها پرداخته می‌شود.

  خوش آمدید به یادگیری ماشین
"01:28  
  مقدمه
"07:04  
  یادگیری ماشین چیست
"07:23  
  یادگیری نظارت شده
"12:39  
  یادگیری نظارت نشده
"14:23  
فصل دوم: رگرسیون خطی تک متغیره

از جمله مباحثی که در این فصل به آن پرداخته می‌شود، رگرسیون خطی با یک متغیر و گرادیان نزولی است. رگرسیون خطی بر اساس مقدار ورودی، یک خروجی باارزش واقعی را پیش‌بینی می‌کند. در این فصل با پیش‌بینی قیمت مسکن به توضیح درباره کاربرد رگرسیون خطی در این حوزه پرداخته می‌شود. تابع هزینه و روش گرادیان نزولی از دیگر مباحث مرتبط با رگرسیون خطی است که با آن آشنا خواهید شد. 

  ایجاد مدل
"08:20  
  تابع هزینه
"08:22  
  تابع هزینه - بخش دوم
"11:19  
  تابع هزینه - بخش سوم
"08:58  
  گرادیان نزولی
"11:40  
  گرادیان نزولی - بخش دوم
"12:01  
  گرادیان نزولی در رگرسیون خطی
"10:30  
فصل سوم: مروری بر جبر خطی

برای درک سایر مفاهیم ماشین لرنینگ باید با جبر خطی آشنا باشید. بدین منظور باید کار ماتریس‌ها، بردارها، ضرب آن‌ها در یکدیگر، معکوس ماتریس‌ها و غیره را بیاموزید. ازاین‌رو در این فصل بر مفاهیم جبر خطی مروری خواهید داشت. 

  ماتریس‌ها و بردارها
"08:55  
  جمع و ضرب برداری
"07:04  
  ضرب ماتریس‌ها
"13:49  
  ضرب ماتریس در ماتریس
"11:19  
  خصوصیات ضرب ناتری‌ها
"09:12  
  معکوس و ترانسپوز ماتریس‌ها
"11:23  
فصل چهارم: رگرسیون خطی چند متغیره

اگر ورودی شما بیشتر از یک مقدار داشته باشد، دیگر نمی‌توانید از رگرسیون خطی با یک متغیر استفاده کنید. در این فصل یاد می‌گیرید که چگونه رگرسیون خطی را گسترش دهید تا بتوانید بیش از یک مقدار به آن بدهید. همچنین در این فصل با بهترین روش‌ها برای اجرای رگرسیون آشنا می‌شوید.

  فیچرهای چندگانه
"08:32  
  گرادیان نزولی برای حات چند متغیره
"05:14  
  گرادیان نزولی در عمل - بخش اول
"09:02  
  گرادیان نزولی - بخش دوم
"09:08  
  فیچرها و رگرسیون مرحله‌ای(polynomial regression)
"07:49  
  معادله‌های نرمال
"16:28  
  معادلات نرمال غیرخطی
"06:08  
فصل پنجم: آموزش اکتاو (Octave/Matlab)

در این دوره علاوه بر مباحث تئوری یاد می‌گیرید که چگونه الگوریتم‌های یادگیری ماشین را در عمل پیاده کنید. به همین منظور تکلیف‌هایی برایتان طراحی شده است که باید با استفاده از matlab و Octave آن‌ها را انجام دهید؛ بنابراین در این فصل با این دو زبان برنامه‌نویسی آشنا می‌شوید.

  عملیات پایه‌
"14:09  
  جابجایی داده
"16:17  
  محاسبات روی داده‌ها
"13:25  
  ترسیم داده‌ها
"09:48  
  کنترل حالت‌ها(if, while, for)
"13:06  
  بردارسازی
"13:58  
  کار و ارسال مسائل برنامه نویسی
"03:43  
فصل ششم: Logistic Regression

در فصل ششم با رگرسیون لجستیک و منظم سازی در یادگیری ماشین آشنا می‌شوید. به طور خلاصه، رگرسیون لجستیک روشی است که برای طبقه‌بندی داده‌ها به نتایج گسسته استفاده می‌شود. به‌عنوان مثال این تکنیک برای دسته‌بندی ایمیل‌ها به اسپم و غیر اسپم به کار می‌رود. در این فصل با مفاهیم طبقه‌بندی، تابع هزینه برای رگرسیون لجستیک و همچنین کاربرد رگرسیون لجستیک برای طبقه‌بندی چند کلاسه در یادگیری ماشین آشنا می‌شوید.

  طبقه‌بندی(classification)
"08:18  
  ارائه فرضیه‌ها
"07:34  
  محدوده‌ی تصمیم‌گیری
"14:59  
  تابع هزینه
"10:33  
  ساده‌سازی تابع هزینه و گرادیان نزولی
"10:24  
  بهینه‌سازی پیشرفته
"14:16  
  طبقه‌بندی چندکلاسه
"06:25  
فصل هفتم: Regularization

گاهی ممکن است یک شبکه عصبی بسازید که روی مجموعه آموزشی به‌خوبی کار کند، اما آن‌طور که انتظار دارید روی مجموعه آزمایشی جواب نمی‌گیرید. این مشکل را با نام Overfitting می‌شناسند. یکی از راه‌حل‌های این مشکل استفاده از نظم‌دهی یا Regularization است. در این فصل با این مشکل و راه‌حل آن آشنا می‌شوید.

  مشکل overfitting
"09:52  
  تابع هزینه
"10:20  
  رگرسیون خطی با قائده
"10:50  
  Regularized Logistic Regression
"08:43  
فصل هشتم: شبکه عصبی (Neural Network)

شبکه‌های عصبی مدلی است که نحوه کار آن از عملکرد مغز الهام گرفته شده است. امروزه شبکه‌های عصبی به طور گسترده‌ای در بسیاری از برنامه‌ها استفاده می‌شود. به‌عنوان مثال زمانی که شما به تلفن همراه خود دستور صوتی می‌دهید و تلفن آن را تفسیر و درک می‌کند، به احتمال زیاد از یک شبکه عصبی برای درک گفتار کمک گرفته شده است.

در این فصل شما به‌خوبی با مفاهیم شبکه عصبی آشنا می‌شوید و یاد می‌گیرید که چگونه از الگوریتم backpropagation استفاده کنید. این الگوریتم برای کمک به یادگیری پارامترهای شبکه عصبی استفاده می‌شود. در این فصل مثال‌ها و نکات مهمی بیان می‌شود که شما را کامل با این مبحث آشنا می‌کند.

  فرضیات غیر خطی
"09:46  
  نرون‌ها و مغز
"07:57  
  ارائه مدل - بخش اول
"12:11  
  ارائه مدل - بخش دوم
"11:56  
  مثال‌ها - بخش اول
"07:25  
  مثال‌ها - بخش دوم
"10:30  
  طبقه‌بندی چندکلاسه
"04:01  
  تابع هزینه
"06:53  
  الگوریتم Backpropagation
"12:09  
  مفهوم Backpropagation
"12:54  
  نکات پیاده سازی پارامترها
"07:57  
  بررسی گرادیان
"11:47  
  مقدار اولیه‌ی تصادفی
"07:01  
  قراردادن در کنار هم
"13:33  
  رانندگی خودمختار
"06:40  
فصل نهم: نکاتی برای یادگیری ماشین کاربردی

به‌کارگیری یادگیری ماشین همیشه کار ساده‌ای نیست. در این فصل شما بهترین روش‌ها برای استفاده از یادگیری ماشین در عمل را می‌آموزید. همچنین با بهترین روش‌ها برای ارزیابی عملکرد مدل‌های یاد گرفته شده آشنا می‌شوید.

  تصمیم‌گیری برای تلاش بعدی
"06:00  
  اعتبارسنجی فرضیات
"07:45  
  انتخاب مدل، اعتبارسنجی آموزش و داده‌های تست
"12:13  
  تعریف بایاس و واریانس
"07:52  
  تنظیم بایاس و واریانس
"11:30  
  منحنی یادگیری
"12:03  
  تصمیم‌گیری در مورد کاری که باید مجددا انجام دهید
"07:00  
فصل دهم: طراحی سیستم یادگیری ماشین

از دیگر مباحث مهم در این دوره طراحی سیستم یادگیری ماشین است. در این فصل چگونگی درک عملکرد سیستم یادگیری ماشین با چند قسمت و همچنین آنالیز خطا، ماتریس خطا و بهینه‌یابی بین دقت و یادآوری را یاد می‌گیرید.

  اولویت‌بندی کارها
"09:39  
  آنالیز خطا
"13:21  
  ماتریس خطا در کلاس‌های Skewed
"11:45  
  بهینه‌یابی بین دقت و یادآوری
"14:15  
  داده در یادگیری ماشین
"11:19  
فصل یازدهم: Support Vector Machines

ماشین‌های بردار پشتیبان (Support vector machines) یا به‌اختصار SVMها یک الگوریتم یادگیری ماشین برای طبقه‌بندی است. در این فصل با این الگوریتم‌ها آشنا می‌شوید و در مورد نحوه استفاده از آن‌ها در عمل می‌‌آموزید.

  بهینه‌سازی اشیاء
"14:57  
  شهودی از حاشیه بزرگ
"10:46  
  ریاضیات مربوط به حاشیه بزرگ طبقه‌بندی
"19:51  
  کرنل‌ها - بخش اول
"15:54  
  کرنل - بخش دوم
"15:53  
  استفاده از SVM
"21:12  
فصل دوازدهم: خوشه‌بندی (Clustering)

یکی از انواع یادگیری ماشین یادگیری بدون نظارت است. با استفاده از این نوع یادگیری می‌توانیم مدل‌هایی بسازیم که به درک بهتر ما از داده‌ها کمک کند. در این فصل علاوه بر آشنایی اولیه با یادگیری بدون نظارت با الگوریتم k-Means برای خوشه‌بندی آشنا می‌شوید. با کمک این الگوریتم می‌توانیم داده‌هایی که برچسب‌گذاری یا طبقه‌بندی نشده‌اند را گروه‌بندی کنیم.

  مقدمه‌ای بر یادگیری نظارت نشده
"03:26  
  الگوریتم K-means
"12:42  
  بهینه‌سازی شیءگرا
"07:14  
  مقادیر اولیه‌ی رندوم
"07:59  
  انتخاب تعداد دسته‌ها
"08:32  
فصل سیزدهم: کاهش بعد (Dimensionality Reduction)

کاهش بعد به تکنیک‌های کاهش تعداد متغیرهای ورودی در داده‌های آموزشی اطلاق می‌شود. هنگام کار با داده‌های بسیار زیاد، کاهش ابعاد می‌تواند دقت و عملکرد سیستم را بالا ببرد؛ بنابراین در این فصل با فشرده‌سازی داده‌ها و فواید آن به‌صورت مفصل‌تر آشنا می‌شوید. بازسازی از حالت فشرده شده و فرمول‌بندی مسئله از دیگر مسائل مهمی است که در این فصل یاد می‌گیرید.

  فواید فشرده‌سازی داده‌ها
"10:19  
  فواید فشرده‌سازی داده‌ها - بخش دوم
"05:37  
  تحلیل اجزای اصلی فرمول‌بندی مساله
"09:15  
  مولفه اصلی فرمول‌بندی مساله
"15:23  
  بازسازی از حالت فشرده شده
"10:40  
  انتخاب تعداد اجزای اصلی
"04:04  
  نکاتی برای پیاده‌سازی PCA
"12:58  
فصل چهاردهم: تشخیص ناهنجاری (Anomaly Detection)

همواره ممکن است در بین تعداد زیادی از داده‌ها، ناهنجاری‌هایی وجود داشته باشد که باید آن‌ها را پیدا کنیم. به‌عنوان مثال اغلب لازم است در بخش تولید، ناهنجاری‌ها یا نقص‌ها را تشخیص دهیم. در این فصل یاد می‌گیرید که چگونه با استفاده از توزیع گوسی یک مجموعه داده را مدل کرده و از آن برای تشخیص ناهنجاری استفاده کنید.

  هدف مسئله تشخیص ناهنجاری
"07:48  
  توزیع گوسی
"10:37  
  الگوریتم
"12:12  
  توسعه و ارزیابی سیستم تشخیص ناهنجاری
"13:17  
  تشخیص ناهنجاری در مقابل یادگیری نظارت شده
"07:46  
  انتخاب فیچرها
"12:27  
  توزیع گاوسی چند متغیره
"13:55  
  تشخیص ناهنجاری با استفاده از توزیع گاوسی چند متغیره
"14:13  
فصل پانزدهم: سیستم‌های توصیه‌گر (Recommender Systems)

سیستم‌های توصیه‌گر از دیگر مواردی است که در این دوره یاد می‌گیرید. بسیاری از سایت‌ها هنگام خرید آنلاین، کالاهای دیگری که ممکن است دوست داشته باشید را به شما پیشنهاد می‌دهند. سیستم‌های توصیه‌گر برای دادن این پیشنهادها به کاربران از الگوهای فعالیت بین کاربران و محصولات مختلف استفاده می‌کنند. در این فصل با بعضی از این الگوریتم‌ها مانند الگوریتم فیلترینگ مشارکتی و فاکتورگیری ماتریس درجه پایین آشنا می‌شوید.

  فرموله کردن مسئله
"08:04  
  توصیه‌های مبتنی بر محتوا
"14:41  
  فیلتر مشارکتی (Collaborative Filtering)
"10:24  
  الگوریتم Collaborative Filtering
"08:36  
  بردارسازی (vectorization) ماتریس با رتبه پایین
"08:37  
  Implementational Detail Mean Normalization
"08:40  
فصل شانزدهم: Large Scale Machine Learning

یادگیری ماشین زمانی بهترین عملکرد را دارد که داده‌های فراوانی برای آموزش وجود داشته باشد. در این فصل چگونگی استفاده از الگوریتم‌های یادگیری ماشین با دیتا ست‌های بزرگ را یاد می‌گیرید.

  یادگیری با دیتاست‌های بزرگ
"05:55  
  گرادیان نزولی تصادفی
"13:29  
  گرادیان نزولی روی دسته‌های کوچک (Mini-Batch Gradient Descent)
"06:28  
  همگرایی تصادفی گرادیان نزولی
"11:41  
  یادگیری آنلاین
"13:00  
  کاهش نقشه و موازی سازی داده‌ها
"14:18  
فصل هفدهم: مثال کاربردی و نتیجه گیری

شناسایی و تشخیص اشیا، کلمات و ارقام در یک تصویر می‌تواند یک کار چالش‌برانگیز باشد. در این فصل یاد می‌گیرید که چگونه برای حل این مشکل یک پایپ لاین (خط لوله) بسازید، آن را تجزیه‌وتحلیل کنید و همچنین عملکرد چنین سیستمی را بهبود ببخشید.

  توصیف مسئله خط لوله
"07:12  
  Sliding Windows
"14:50  
  دریافت مقدار زیادی داده و داده مصنوعی
"16:30  
  تجزیه و تحلیل سقف - چه بخشی از خط لوله در آینده کار می کند؟
"14:00  
  سخن پایانی
"04:52  

درباره دوره

ویدیوهای زبان اصلی دوره به صورت رایگان هستند اما برای دسترسی به زیرنویس فارسی ویدیوها می توانید محتوای دوره را خریداری کنید.

 

کاربرد دوره آموزش رایگان یادگیری ماشین Andrew NG چیست؟

یادگیری ماشین علمی است که کامپیوترها را به‌گونه‌ای طراحی می‌کند که آن‌ها بتوانند بدون برنامه‌ریزی صریح و با استفاده از داده‌ها و تجربیات خود، کاری انجام دهند. در دهه گذشته با کمک یادگیری ماشین به تکنولوژی‌هایی مانند اتومبیل‌های خودران، تشخیص یا پردازش گفتار، جستجوی مؤثر در وب و درک بسیاری از ژنوم‌هایی انسانی دست‌یافته‌ایم.

امروزه یادگیری ماشین به حدی فراگیر شده‌است که به‌احتمال زیاد، شما ده‌ها بار بدون این‌که بدانید ماشین لرنینگ چیست از آن استفاده می‌کنید. بسیاری از محققان و دانشمندان معتقدند که آموزش ماشین لرنینگ و استفاده از آن بهترین راه برای پیشرفت‌های انسانی در حوزه هوش مصنوعی است.

در دوره آموزش ماشین لرنینگ شما با مؤثرترین تکنیک‌های یادگیری ماشین آشنا می‌شوید، برای اجرا و پیاده‌سازی آن‌ها تمرین کنید و حتی آن‌ها را برای خودتان به کار بگیرید. نکته مهم در این دوره این است که شما نه‌تنها مبانی تئوری یادگیری ماشین را یاد خواهید گرفت، بلکه دانش عملی لازم برای بهره‌برداری از این تکنیک‌ها به‌منظور رفع مسائل واقعی و نوظهور را هم کسب خواهید کرد. همچنین در این دوره با بعضی از بهترین روش‌های سیلیکون ولی در نوآوری آشنا خواهید شد. این نوآوری‌ها ازآن‌جهت مهم هستند که به یادگیری ماشین و هوش مصنوعی مرتبط می‌شوند.

اگر به مباحث یادگیری ماشین علاقه‌مند هستید، دوره آموزش رایگان یادگیری ماشین Andrew NG را از دست ندهید.

بعد از فراگیری دوره آموزش رایگان یادگیری ماشین Andrew NG چه مهارت‌هایی کسب خواهید کرد؟

  • رگرسیون لجستیک
  • شبکه‌های عصبی مصنوعی
  • درک الگوریتم‌های یادگیری ماشین (ML)
  • آشنایی با یادگیری ماشین

پیش‌نیازهای لازم برای فراگیری دوره آموزش رایگان یادگیری ماشین Andrew NG چیست؟

برای اینکه بتوانید از دوره آموزش ماشین لرنینگ بهره کافی را ببرید، بهتر است به حداقل یکی از زبان‌های برنامه‌نویسی مسلط باشید یادگیری ماشین با پایتون نسبت به سایر زبان‌ها رواج بیشتری دارد. از همین رو توصیه می‌کنیم که برای شرکت در این دوره با مباحث زیر آشنایی داشته باشید:

  • تسلط بر یکی از زبان‌های برنامه‌نویسی مانند پایتون یا R
  •  آمار، جبر خطی و احتمال
  • مدل‌سازی داده‌ها

دوره آموزش رایگان یادگیری ماشین اندرو ان‌جی به طور مقدماتی به مباحث مرتبط با یادگیری ماشین و تعیین و تشخیص الگوی آماری می‌پردازد.

درباره استاد

maktabkhooneh-teacher Andrew Ng

اندرو انگ 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 است.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران  ( نظر)

صفحه 1 از
حمید مطلبی 1401-06-16
دانشجوی دوره
محتوی دوره عالیه ولی ترجمه خیلی بده
فاطمه کافی موسوی 1401-01-06
دانشجوی دوره
محتوا ویدئو عالی است ولی ترجمه افتضاح و کاملا غیرقابل فهم است:(
آرین شهبازیان کتمجانی 1400-11-19
دانشجوی دوره
ترجمه فاجعه
دانیال مودی 1400-10-06
دانشجوی دوره
یکی از بهترین دوره های آموزش یادگیری ماشین در سطح جهانی
احسان خوش آیین 1400-10-05
دانشجوی دوره
قطعا استانداردترین آموزش در دنیا برای ایشون هست و مطمئنا میشه گفت کامل ترین دوره یادگیری ماشین هست.. اما اگه درک ریاضیات براتون سخته، دوره یادگیری ماشین جادی بهترین گزینه براتونه چون هم فان هست هم کامل (با تست های آزمایشگاهی برای هر روش)
محمد اشکوه 1400-07-06
دانشجوی دوره
عالیه
مهسا زند خانه شهری 1400-05-25
دانشجوی دوره
بسیار عالی، خیلی ممنون از مکتب خونه و تیم ترجمه :)
فائزه عبدلی 1400-04-04
دانشجوی دوره
ممنون از مکتب خونه بابت ترجمه این دوره عالی این دوره یکی از بهترین دوره های علوم کامپیوتره ممنون از تیم خفن مکتب خونه:)

دوره‌های پیشنهادی

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.
آیا گواهی‌نامه‌های دانشگاهی به صورت رسمی و توسط دانشگاه مربوطه صادر می‌شود؟
بله؛ گواهی نامه ها توسط دانشگاه مربوطه و با امضای رئیس دانشگاه یا مسئول مربوطه که حق امضای گواهی نامه ها را دارد صادر می شود و گواهی نامه معتبر دانشگاه است که به اسم هر فرد صادر می شود.
حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.
در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد
پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.
صدور گواهی‌نامه از سوی دانشگاه شریف چقدر زمان می‌برد؟
صدور گواهی‌نامه‌ی رسمی از سوی دانشگاه شریف با توجه به پروسه‌های اداری، دورکاری پرسنل دانشگاه و زمانبر بودن فرآیند امضا توسط اساتید دانشگاه حداقل 4 ماه زمان خواهد برد. مکتب‌خونه به محض صدور گواهی‌نامه از سوی دانشگاه، آن را برای شما ارسال خواهد کرد. در صورت نیاز فوری، می‌توانید گواهی موقت پایان دوره را با ارسال درخواست به ایمیل info@maktabkhooneh.org دریافت نمایید.