آموزش پایه‌های یادگیری ماشین

در دوره "The Nuts and Bolts of Machine Learning"، شما درباره یادگیری ماشین آموزش می‌بینید که از الگوریتم‌ها و آمار برای آموزش سیستم‌های کامپیوتری به منظور کشف الگوها در داده‌ها استفاده می‌شود. حرفه‌ای‌های داده از ... بیشتر

جدید
زیرنویس
67 دانشجو
پیشرفته
The Great Courses

Google Career Certificates

به‌روزرسانی: ۱۴۰۳/۱۲/۲۸

محتوای دوره
پیش‌نیاز‌ها
درباره دوره
درباره استاد

آنچه در این دوره می‌آموزید

نحوه شناسایی ویژگی‌های انواع مختلف یادگیری ماشین

یادگیری آماده‌سازی داده برای مدل‌های یادگیری ماشین

چگونگی ساخت و ارزیابی مدل‌های یادگیری نظارت‌شده و بدون نظارت با استفاده از پایتون

یادگیری نمایش انتخاب مناسب مدل و معیار برای الگوریتم یادگیری ماشین

محتوای دوره

5 فصل 56 جلسه 4 ساعت ویدیو
انواع مختلف یادگیری ماشین
  مقدمه‌ای بر دوره
مشاهده
"04:08
  سوشیلا: خوشحال کردن مردم با داده
مشاهده
"02:45
  خوش‌آمدگویی
"01:14
  انواع اصلی یادگیری ماشین
"06:53
  تشخیص زمان بی‌نهایت بودن ویژگی‌ها
"03:08
  ویژگی‌های دسته‌ای و مدل‌های طبقه‌بندی
"04:21
  هدایت علاقه کاربران با سیستم‌های توصیه‌گر
"06:57
  برابری و انصاف در یادگیری ماشین
"03:36
  ساخت مدل‌های اخلاقی
"04:29
  پایتون برای یادگیری ماشین
"04:47
  انواع مختلف IDEهای پایتون
"02:37
  بیشتر درباره پکیج‌های پایتون
"03:35
  منابع برای پاسخ به سوالات برنامه‌نویسی
"03:14
  تیم یادگیری ماشین شما
"02:16
  سامانتا: ارتباط با جامعه حرفه‌ای داده
"02:57
  جمع‌بندی
"01:42
گردش کار برای ساخت مدل‌های پیچیده
تکنیک‌های یادگیری بدون نظارت
مدل‌سازی مبتنی بر درخت
پروژه پایانی

پیش‌نیاز‌ها

برای درک و استفاده بهتر از این دوره، داشتن دانش و مهارت‌های پایه‌ی تحلیل داده و ابزارهای مرتبط الزامیست.

درباره دوره

در دوره "The Nuts and Bolts of Machine Learning"، شما درباره یادگیری ماشین آموزش می‌بینید که از الگوریتم‌ها و آمار برای آموزش سیستم‌های کامپیوتری به منظور کشف الگوها در داده‌ها استفاده می‌شود. حرفه‌ای‌های داده از یادگیری ماشین برای تجزیه و تحلیل مقادیر بزرگ داده، حل مسائل پیچیده و انجام پیش‌بینی‌های دقیق استفاده می‌کنند.

شما بر روی دو نوع اصلی یادگیری ماشین، یعنی نظارت شده و بدون نظارت، تمرکز خواهید داشت. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشین مختلف را برای حل مسائل تجاری به کار ببرید و با مدل‌های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا شوید.

کارمندان گوگل که در حال حاضر در این زمینه کار می‌کنند، شما را از طریق فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، با مثال‌هایی از کار روزمره‌شان آشنا می‌کنند و به شما کمک می‌کنند مهارت‌های تجزیه و تحلیل داده خود را برای آمادگی برای حرفه‌ای‌تر شدن ارتقا دهید.

تا پایان این دوره، شما قادر خواهید بود:

  • تکنیک‌های مهندسی ویژگی را با استفاده از پایتون اعمال کنید
  • یک مدل Naive Bayes را بسازید
  • توضیح دهید چگونه یادگیری بدون نظارت از یادگیری نظارت شده متمایز است
  • الگوریتم K-means را در پایتون کد کنید
  • نتایج مدل K-means را ارزیابی و بهینه‌سازی کنید
  • مدل‌های درخت تصمیم را بررسی کنید، چگونگی عملکرد آن‌ها و مزایای آن‌ها نسبت به انواع دیگر یادگیری ماشین را توضیح دهید
  • مفهوم bagging در یادگیری ماشین، به ویژه برای مدل‌های جنگل تصادفی را توصیف کنید
  • افزایش در یادگیری ماشین، به ویژه برای مدل‌های XGBoost را تفکیک کنید
  • پارامترهای تنظیم مدل و نحوه اثرگذاری آن‌ها بر عملکرد و معیارهای ارزیابی را توضیح دهید

اطلاعات بیشتر

دوره‌های پیشنهادی

درباره استاد

Google Career Certificates
50 دوره
3,553 دانشجو

گواهی‌های شغلی Google بخشی از برنامه Grow with Google است که از طریق آموزش‌هایی مانند این درس در تلاش است تا به همه  کسانی که نیروی کار امروز را تشکیل می‌دهند و دانش‌آموزانی که نیروی کار فردا را هدایت می‌کنند آموزش دهد و با ایجاد بستری مناسب زمینه دسترسی به بهترین آموزش‌ها و ابزارهای Google برای رشد مهارت‌ها، مشاغل و کسب‌وکارها را ایجاد کند.

اطلاعات بیشتر

دیگر دوره‌های Google Career Certificates

سوالات پرتکرار

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.

تمام حقوق این وب‌سایت برای شرکت ندای دانش همراه ایرانیان (مکتب‌خونه‌‌‌‌) است.