×
ribbon

آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ

با پیشرفت در آمار و علوم کامپیوتر و همچنین مجموعه داده های بهتر و رشد شبکه های عصبی،... بیشتر
زیرنویس
5 (3)
1 دیدگاه
2,274دانشجو
6ساعت
سرفصل‌ها
پیشرفته سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

یادگیری تکنیک‌های یادگیری بدون نظارت

ساخت سیستم‌های توصیه‌گر با رویکرد فیلتر مشترک

یادگیری عمیق مبتنی بر محتوا

ساخت مدل‌های یادگیری تقویتی عمیق

این دوره شامل:

6 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

3 فصل42 جلسه6 ساعت ویدیو
فصل اول: یادگیری نظارت نشده
  پیشگفتار
03:31
  خوشه‌بندی چیست؟
04:22
  درک K-means
06:59
  الگوریتم K-means
09:59
  بهینه‌سازی شی‌گرا
11:22
  مقداردهی K-means
09:03
  انتخاب تعداد خوشه‌ها
08:07
  پیداکردن اتفاقات غیرمعمول
12:03
  توزیع نرمال گوسین
11:00
  الگوریتم تشخیص ناهنجاری
12:18
  توسعه و ارزیابی یک سیستم تشخیص ناهنجاری
11:48
  تشخیص ناهنجاری یا یادگیری تحت نظارت؟
08:18
  انتخاب فیچرها
15:07
فصل دوم: سیستم‌های توصیه‌گر
  ساخت توصیه‌نامه
05:42
  استفاده از ویژگی‌های هر مورد
11:32
  الگوریتم فیلترینگ مشارکتی
14:05
  برچسب‌های باینری (موردعلاقه‌ها، لایکها، کلیک‌ها)
08:37
  معنای نرمالیزیشن
08:55
  پیاده‌سازی collaborative filtering با تنسورفلو
11:48
  پیداکردن آیتم‌های مرتبط
06:43
  collaborative filtering یا content based filtering؟
09:55
  یادگیری عمیق برای content based filtering
09:52
  توصیه از یک کاتالوگ بزرگ
08:02
  استفاده اخلاقی از سیستم‌های توصیه‌گر
10:58
  پیاده‌سازی content based filtering با تنسورفلو
04:58
فصل سوم: یادگیری تقویتی
  یادگیری تقویتی چیست؟
08:58
  مثال یک ماه‌نورد
06:51
  بازگشت در یادگیری تقویتی
10:28
  سیاست تصمیم‌گیری در یادگیری تقویتی
02:47
  مروری بر موضوعات کلیدی
05:44
  تعریف State-Action Value Function
10:46
  مثال State-Action Value Function
05:32
  معادله‌ی Bellman
13:02
  محیط Random Stochastic
08:34
  مثالی از کاربردهای فضای حالت پیوسته
06:34
  فرود روی ماه
06:03
  یادگیری state value function
17:00
  الگوریتم شبکه عصبی تقویتی با ساختار بهبودیافته
03:11
  الگوریتم تقویتی با سیاست حریصانه (greedy policy)
09:09
  الگوریتم تقویتی mini-batch و soft-updates
11:53
  استیت (حالت) یادگیری تقویتی
03:04
  سخن پایانی
03:21

پیش‌نیاز‌ها

این دوره سومین دوره از تخصص یادگیری ماشین بوده و پیش‌نیاز آن دوره‌های آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ و آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ است.

توضیحات دوره

با پیشرفت در آمار و علوم کامپیوتر و همچنین مجموعه داده‌های بهتر و رشد شبکه‌های عصبی، یادگیری ماشین در سال‌های اخیر پیشرفت زیادی کرده است. امروزه یادگیری ماشین در همه‌جا وجود دارد، از جمله  ترجمه خودکار، تشخیص تصویر، فناوری جستجوی صوتی، خودروهای خودران و هر چیزی که فکرش را بکنید. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ یکی از پیشرفته‌ترین دوره‌های موجود برای آموزش این سه مبحث در یادگیری ماشین و هوش مصنوعی به‌حساب می‌آید که توسط مکتب خونه تهیه شده است. در ادامه به معرفی دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ خواهیم پرداخت و در کنار آن در رابطه با این سه مبحث مهم به صحبت خواهیم کرد.

دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ 

این دوره، سومین دوره از مجموعه تخصص یادگیری ماشین با تدریس Andrew NG است. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ یک دوره آنلاین اساسی به حساب می آید که با همکاری DeepLearning.AI و Stanford Online تهیه شده است. در دوره آموزشی یادگیری عمیق کاربران، اصول یادگیری ماشین و نحوه استفاده از این تکنیک‌ها برای ساخت اپلیکیشنهای هوش مصنوعی در دنیای واقعی را خواهند آموخت. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ به زبان انگلیسی و با زیرنویس فارسی و روان هم‌اکنون در مکتب‌خونه در دسترس است. 

آنچه در دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ خواهید آموخت

با ثبت نام در این دوره آموزشی شما با مفاهیم زیر آشنا خواهید شد:

  • یادگیری تکنیک‌های یادگیری بدون نظارت: از جمله خوشه‌بندی و تشخیص ناهنجاری.
  • ساخت سیستم‌های توصیه‌گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا.
  • ساخت مدل‌های یادگیری تقویتی عمیق.

این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain ،Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود.

این دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی مقدمه گسترده‌ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه‌های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه‌بندی، کاهش ابعاد، سیستم‌های توصیه گر) است. 

دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ برای چه کسانی مناسب است؟

این دوره آموزشی برای تمامی افرادی که در زمینه هوش مصنوعی و یادگیری ماشین تحقیقات انجام می‌دهند مناسب است. همچنین این دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی برای دانشجویان کارشناسی، کارشناسی ارشد و دکتری رشته‌های مهندسی کامپیوتر بسیار دوره مناسبی به‌حساب می‌آید.

در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به‌کارگیری سریع و قدرتمند یادگیری ماشین در مسائل چالش‌برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به دنیای هوش مصنوعی و یادگیری ماشین هستید، این دوره جدید یادگیری ماشین بهترین مکان برای شروع است.

دیدگاه کاربران

5

بر اساس امتیاز 3 دانشجو

1
2
3
4
5

امید طهماسبی

1 سال پیش

5

good

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
20دوره
32,330دانشجو
418نظر و امتیاز

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.

دوره‌های مشابه

دیگر دوره‌های Andrew Ng

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.