ماشین لرنینگ یا یادگیری ماشین، زیرشاخه‌ای از هوش مصنوعی است که با استفاده از الگوریتم‌های خاص، به کامپیوتر اجازه می‌دهد تا از داده‌ها یاد بگیرد و پس از آموزش، بتواند پاسخ‌هایی به مسئله‌های مشابه نسبت به آنچه در زمان آموزش‌دیده است، ارائه دهد. این فناوری در حال حاضر در بسیاری از صنایع مانند بازاریابی، پردازش زبان‌های طبیعی، تصویربرداری، پزشکی، خودرو، بانکداری و... کاربرد دارد.

معرفی دوره یادگیری ماشین - شاخه رگرسیون

رگرسیون یکی از زیرشاخه‌های یادگیری ماشین (و به طور خاص یادگیری با نظارت) است که برای پیش‌بینی مقادیر پیوسته بر اساس دسته‌ای از ویژگی‌ها مورد استفاده قرار می‌گیرد. هدف رگرسیون، پیداکردن معادله ریاضی است که بتواند به بهترین نحو تناظر بین ویژگی‌ها و هدف را برقرار سازد. در این دوره، به طور خاص روی زیرشاخه رگرسیون متمرکز خواهیم شد و با جزئیات فراوان آن را مورد بررسی قرار می‌دهیم.

در این دوره، علاوه بر مفاهیم اساسی و بنیان ریاضیاتی رگرسیون، بر پیاده‌سازی‌های عملی و پروژه‌های واقعی تأکید خواهیم داشت. بعد از پایان این دوره، شما دانش کافی برای به‌کارگیری مدل‌های رگرسیون در پیچیده‌ترین پروژه‌های واقعی را به دست خواهید آورد.

اهداف دوره یادگیری ماشین - شاخه رگرسیون

اصلی‌ترین هدف این دوره، مجهز کردن شما با دانش و مهارت کافی برای به‌کارگیری مدل‌های رگرسیون در پروژه‌های واقعی است. در عصر امروز که همه چیز مبتنی بر دیتاست و اتوماسیون فرایندها با استفاده از کامپیوتر از اهمیت فوق‌العاده بالایی برخوردار است، ماشین لرنینگ می‌تواند به‌عنوان یک ابزار قدرتمند خودنمایی کند. سیستمی که بتواند مانند یک انسان یاد بگیرد و تحلیل کند، ارزش فوق‌العاده‌ای را برای کارفرمای خود به ارمغان می‌آورد.

این دوره برای چه کسانی مناسب است؟

یادگیری ماشین علمی است که محدودیت ندارد. تمام دانشجویان، فارغ‌التحصیلان، محققان و پژوهشگرانی که قصد دارند برای پیاده‌سازی ایده‌های خود از علم یادگیری ماشین استفاده کنند می‌توانند از مطالب ارائه شده در این دوره استفاده کنند. همچنین این دوره برای افراد زیر مفید خواهد بود:

- بنیان‌گذاران استارتاپی که قصد دارند ایده استارتاپی خود را ارتقا دهند.

- کسانی که قصد دارند با فراگیری علم یادگیری ماشین، موقعیت شغلی خود را چه در داخل و چه در خارج از ایران بهبود دهند.

سرفصل‌های این دوره چگونه برنامه‌ریزی شده است؟

به طور خلاصه، این دوره در پنج فصل ارائه می‌شود که فصل پنجم صرفاً جمع‌بندی از مطالب ارائه شده در چهارفصل ابتدایی است.

در فصل اول، علم یادگیری ماشین و زیرشاخه‌های آن را معرفی کرده و نمونه‌های از کاربردهای یادگیری ماشین در حوزه‌های مختلف را ارائه می‌کنیم.

در فصل دوم، مدل‌های رگرسیون را به‌صورت ریاضی مورد بررسی قرار می‌دهیم و بر روی مدل‌های تک‌متغیره با یک درجه آزادی متمرکز می‌شویم.

در فصل سوم، مطالب ارائه شده در فصل دوم را تعمیم می‌دهیم و مدل‌های رگرسیون چندمتغیره را معرفی می‌کنیم. علاوه بر مدل‌های چندمتغیره، مشکلات مدل‌های رگرسیون را بیان کرده و برای حل آن‌ها راهکار ارائه می‌دهیم. همچنین در مورد ارزیابی مدل‌های رگرشن مطالبی را بیان می‌کنیم.

در فصل چهارم نیز تمام مطالب ارائه شده در سه فصل ابتدایی را استفاده می‌کنیم تا یک پروژه واقعی با داده‌های معتبر را مدل‌سازی کنیم و با استفاده از آن پیش‌بینی انجام دهیم.