آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ

یادگیری تحت نظارت یا یادگیری با نظارت مهم‌ترین و پرمخاطب‌ترین شاخه از یادگیری ماشین است. معمولا متخصصان و علاقه‌مندان به یادگیری ماشین مسیر آموزشی و تحقیقاتی خود را با الگوریتم‌های تحت نظارت آغاز می‌کنند. یادگیری ...

4.7 (19 امتیاز)
1,087 دانشجو
مقدماتی
محتوای دوره
پیش‌نیاز‌ها
درباره دوره
نظرات کاربران
درباره استاد

محتوای دوره

3 فصل 41 جلسه 5 ساعت ویدیو
فصل اول: مقدمه‌ای بر یادگیری ماشین
فصل دوم: رگرسیون با چند ورودی
فصل سوم: دسته‌بندی (Classification)

پیش‌نیاز‌ها

این دوره به نحوی تهیه و تدوین شده است که مباحث آن به ساده‌ترین شکل ممکن بیان شوند و مخاطبان دوره بتوانند به‌سادگی متوجه موضوعات مطرح شده شوند. به همین جهت برای شرکت در این دوره هیچ پیش‌نیاز به خصوصی وجود ندارد و افراد با هر سطحی از آگاهی و تحصیلات می‌توانند از مباحث این دوره نهایت استفاده را داشته باشند.

درباره دوره

یادگیری تحت نظارت یا یادگیری با نظارت مهم‌ترین و پرمخاطب‌ترین شاخه از یادگیری ماشین است. معمولا متخصصان و علاقه‌مندان به یادگیری ماشین مسیر آموزشی و تحقیقاتی خود را با الگوریتم‌های تحت نظارت آغاز می‌کنند.

یادگیری ماشین تحت نظارت (Supervised learning)، یادگیری با نظارت یا یادگیری نظارت شده به این معنی است که به الگورتیم‌ داده‌هایی را می‌دهیم که به عنوان پاسخ صحیح در نظر گرفته شده‌اند.

انواع الگوریتم‌های یادگیری ماشین شامل سه دسته کلی می‌شوند. این سه دسته عبارت‌اند از: 1-یادگیری نظارت شده (Supervised Learning) 2-یادگیری بدون ناظر یا یادگیری نظارت نشده (unsupervised learning) 3-یادگیری تقویت شونده (Reinforcement Learning)

دسته بندی الگوریتم‌های یادگیری ماشین شامل این سه مورد است. در ادامه به توضیح مختصر این سه مورد پرداخته‌ایم.

  • یادگیری با نظارت: در الگوریتم‌های یادگیری نظارت شده که عمده بار یادگیری ماشین را متحمل شده است، با دو نوع متغییر مواجه هستیم. این دو نوع متغییر عبارتند از متغییرهای مستقل و متغییرهای وابسته.
    متغییرهای مستقل در واقع یک یا چند متغییر هستند که براساس مقادیر آنها یک متغییر دیگر را پیش‌بینی می‌کنیم.
    دومین نوع از متغییرها، متغییرهای وابسته یا متغییرهای خروجی هستند. مقادیر این نوع از متغییرها را به کمک الگوریتم‌های نظارت شده پیش‌‌بینی می‌کنیم. برای تعیین مقدار این نوع از متغییرها باید تابعی ایجاد کنیم. این تابع ورودی‌ها را گرفته و خروجی مورد نظر را که متغییر وابسته یا متغییر خروجی است را ایجاد می‌کند. در این تابع ایجاد شده ورودی‌ها همان متغییرهای مستقل هستند و خروجی مورد نظر ما به کمک آن‌ها ایجاد می‌شود. تابع که در حقیقت رابطه بین متغییرهای وابسته و متغییرهای مستقل است طی فرایندی به نام فرایند آموزش یا  Training Process پیدا می‌شود. فرایند آموزش روی داده‌های موجود اعمال می‌شود و تا زمان رسیدن به دقت کافی ادامه پیدا می‌کند.
  • یادگیری نظارت نشده (unsupervised learning): در این نوع از الگوریتم‌ها هیچ متغییری نداریم و خروجی نامشخص است. داده‌های ارائه شده به الگوریتم نظارت نشده دارای هیچ متغییر خروجی متناظری نیست. در یادگیری بدون ناظر، الگوریتم‌ها به حال خود رها می‌شوند تا ساختارهای موجود در میان داده‌ها را کشف کنند.
  • یادگیری تقویت شونده (Reinforcement Learning): این نوع از الگوریتم‌ها تا حدود زیادی مشابه الگوریتم‌های بدون ناظر هستند. دریادگیری تقویت شونده یک عامل یاد می‌گیرد چگونه در محیط با انجام کارهای مختلف و مشاهده رفتار آن‌ها چطور عمل کند.

 

در دوره آموزش یادگیری ماشین الگوریتم‌های نظارت شده ضمن آشنایی با دسته‌بندی الگوریتم‌های مختلف یادگیری ماشین، به طور مشخص در رابطه با الگوریتم‌های نظارت شده بحث شده است. در این دوره آموزش‌های متعددی مطرح شده است. مهم‌ترین موضوعاتی که در این دوره یاد می‌گیرید عبارتند از:

  • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه‎های NumPy و scikit-learn
  • ساخت و آموزش مدل‌های یادگیری ماشین تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک
  • علاوه بر این دو مورد در دوره آموزش یادگیری ماشین الگوریتم‌های نظارت شده اصول و روش یادگیری ماشین و نحوه استفاده از تکنیک‌های machine learning برای ساخت اپلیکیشن‌های هوش مصنوعی در دنیای واقعی را خواهید آموخت.

هدف از برگزاری دوره آموزش الگوریتم‌های نظارت شده در ماشین لرنینگ چیست؟

این دوره هدف‌های مختلفی را مد نظر قرار داده است. اصلی‌ترین هدف از برگزاری دوره آموزش یادگیری ماشین الگوریتم‌های نظارت شده آشنایی مخاطبان با مباحث پیشرفته ماشین لرنینگ، Deep Learning و جدیدترین موضوعات مربوط به آموزش یادگیری ماشین الگوریتم‌های نظارت شده بوده است.

باتوجه به محتوای این دوره و سرفصل‌های در نظر گرفته شده برای این دوره مخاطبان این دوره در پایان دوره مهارت‌های زیر را کسب خواهند کرد:

  • منظم‌سازی برای جلوگیری از نصب بیش از حد
  • گرادیان نزول
  • یادگیری تحت نظارت
  • رگرسیون خطی
  • رگرسیون لجستیک برای طبقه بندی

این دوره به عنوان مقدمه‌ای برای آموزش ماشین لرنینگ و شروع آموزش مباحثی همچون یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه‌های مورد استفاده در آموزش یادگیری ماشین ارائه شده است.

دوره آموزش الگوریتم‌های نظارت شده در ماشین لرنینگ برای چه کسانی مناسب است؟

محتوای این دوره به نحوی تهیه شده است که همه علاقه‌مندان به مباحث مربوط به هوش مصنوعی و یادگیری ماشین می‌توانند در این دوره شرکت کنند. این دوره به طور مشخص برای گروه‌های زیر طراحی شده است:

  • همه دانشجویان رشته‌های مهندسی کامپیوتر و برنامه‌نویسی
  • فارغ‌التحصیلان رشته‌های مهندسی کامپیوتر در گرایش‌های مختلف
  • افرادی که قصد دارند وارد دنیای هوش مصنوعی و ماشین لرنینگ شوند
  • همه علاقه‌مندان به فناوری‌های جدید و کسانی که می‌خواهند جدیدترین مباحث مربوط به machine learning را بیاموزند

دوره آموزش الگوریتم های نظارت شده در ماشین لرنینگ

صفر تا صد آموزش الگوریتم های نظارت شده در ماشین لرنینگ را در مکتب خونه ببینید. این دوره‌ی ترجمه‌شده، توسط یکی از بهترین اساتید دانشگاه استنفورد تدریس می‌شود. برای مشاهده‌ی آن همین حالا اقدام کنید.

الگوریتم‌های ماشین لرنینگ چیست؟

فرض کنید در حال ورق زدن یک آلبوم قدیمی هستید. با دیدن هر عکس، ذهن شما به‌سرعت چهره‌ها و موقعیت‌های مختلف را تشخیص می‌دهد. این فرایند شبیه کاری است که الگوریتم‌های یادگیری ماشین انجام می‌دهند. آن‌ها با جمع‌آوری انبوهی از داده‌ها (تصاویر، متون، اعداد و ارقام)، قادر به شناسایی الگوها و برقراری ارتباط بین آن‌ها هستند.

یادگیری ماشین زیر شاخه‌ای از هوش مصنوعي (AI) است که به کامپیوترها امکان می‌دهد تا بدون نیاز به برنامه‌نویسی دقیق، از داده‌ها بیاموزند و نتایج قابل توجهی را بدست آورند. الگوریتم‌های نظارت‌شده (supervised learning) یادگیری ماشین در اینجا وظیفه دارند تا داده‌های بزرگ را دریافت کرده و پردازش کنند. آ‌ن‌ها با استفاده از انواع مختلفی (الگوریتم با نظارت و بدون نظارت) که دارند الگوهای پنهان را کشف می‌کنند و با توجه به آن‌ها توانایی خود را ارتقا می‌دهند.

این روزها کسب‌وکارهای زیادی از الگوریتم‌های نظارت شده استفاده می‌کنند تا خود را با تکنولوژی همراه کنند. به همین علت آموزش الگوریتم های نظارت شده در ماشین لرنینگ در دنیای امروزی اهمیتی زیادی پیدا کرده است.

نحوه‌ی آموزش الگوریتم های نظارت شده در ماشین لرنینگ چگونه است؟
در یادگیری ماشین با الگوریتم‌های ناظر، مجموعه‌ای از داده‌های برچسب‌گذاری شده به الگوریتم ارائه می‌شوند. این داده‌ها شامل نمونه‌هایی از ورودی (تصاویر، متن یا اعداد) و خروجی (برچسب‌های دسته‌بندی، مقادیر عددی یا توضیحات) هستند.

الگوریتم یادگیری با نظارت و بدون نظارت، با بررسی این داده‌های برچسب‌گذاری شده، یاد می‌گیرد که چگونه از ورودی‌ها برای پیش‌بینی خروجی‌های جدید استفاده کند. به عبارت دیگر، الگوریتم به معلمی تبدیل می‌شود که از نمونه‌های آموزش‌دیده برای یادگیری نحوه حل مسائل جدید استفاده می‌کند.

تفاوت یادگیری با ناظر و یادگیری بدون ناظر چیست؟

در یادگیری ماشین بدون نظارت (Unsupervised learning)، به الگوریتم‌های آن داده‌هایی بدون برچسب داده می‌شود. الگوریتم باید به تنهایی الگوهای موجود در داده‌ها را کشف کرده و خروجی مناسبی نمایش دهند. اما در یادگیری ماشین با نظارت، به الگوریتم مجموعه‌ای از داده‌های برچسب‌گذاری شده ارائه می‌شود. این داده‌ها شامل ورودی و خروجی مورد نظر هستند که با استفاده از آنها نتیجه خوبی مشاهده می‌شود. شما در آموزش الگوریتم های نظارت شده در ماشین لرنینگ باید به این مباحث مسلط شوید و این تفاوت را به‌خوبی درک کنید. 

معرفی انواع الگوریتم های یادگیری با نظارت (Clustering Supervised learning)

همان‌طور که در هر کلاس، ابزارهای متفاوتی برای یادگیری دروس مختلف وجود دارد، در دنیای یادگیری با ناظر نیز الگوریتم‌های مختلفی برای انجام وظایف مختلف طراحی شده‌اند. برخی از الگوریتم‌های رایج و مهم آن، عبارت‌اند از:

1- طبقه‌بندی

در این نوع الگوریتم‌ها هدف، طبقه‌بندی داده‌ها به دسته‌های مختلف است. الگوریتم طبقه‌بندی وظیفه دارد تا پس از اتمام فرایند آموزش، مقداری را از ورودی دریافت کند و آن را به کلاس یا دسته‌ای خاص (که در آموزش یاد گرفته است.) اختصاص دهد. به‌عنوان مثال، الگوریتم می‌تواند ایمیل‌ها را به‌عنوان اسپم یا غیر اسپم، تصاویر را به‌عنوان گربه یا سگ و مشتریان را به‌عنوان کم‌خطر یا پرخطر طبقه‌بندی کند.

2- رگرسیون

در الگوریتم‌های رگرسیون هدف، پیش‌بینی یک مقدار عددی است. به این معنی که رگرسیون فرایندی آماری است که سعی دارد رابطه‌ی مهم بین متغیرهای وابسته و مستقل را درک کند. به‌عنوان مثال، الگوریتم می‌تواند قیمت مسکن را در یک منطقه خاص پیش‌بینی کند و میزان فروش یک محصول را تخمین بزند. در آموزش الگوریتم های نظارت شده در ماشین لرنینگ به‌طور کامل با این الگوریتم آشنا خواهید شد.

3- درخت‌های تصمیم

برای ایجاد قوانینی که بر اساس آنها می‌توان داده‌ها را طبقه‌بندی یا پیش‌بینی کرد، از الگوریتم درخت تصمیم استفاده می‌شود. در این الگوریتم درختی وجود دارد که با استفاده از قوانین و شرایطی که از داده‌های پیشین بدست آمده، ساخته شده است. به بیانی دیگر می‌توان گفت این نوع از الگوریتم‌های با ناظر بر اساس پاسخ‌های قبلی، پاسخ‌های بعدی را آماده می‌کنند.

انواع الگوریتم های یادگیری بدون نظارت (Unsupervised learning)

از انواع الگوریتم های یادگیری بدون نظارت می‌توان به موارد زیر اشاره کرد:

·        خوشه بندي (Clustering): در این الگوریتم داده‌ها به‌طور خودکار بر اساس شباهت‌ها و تفاوت‌هایی که دارند در دسته‌ها یا خوشه‌های متفاوتی قرار می‌گیرند.

·        مدل‌سازی مخفی مارکوف: در مدل‌سازی HMM، از یک سری حالت پنهان برای مدل‌سازی رفتار دنباله‌ای داده‌ها استفاده می‌شود تا کمک کند پیش‌بینی‌ها مؤثرتر باشند.

·        عمیق بدون نظارت: یادگیري عمیق یکی از زیرشاخه‌های یادگیری ماشین است که از شبکه‌های عصبی مصنوعی برای یادگیری از داده‌ها استفاده می‌کند. شبکه‌های عصبی مصنوعی می‌توانند با یادگیری از حجم عظیمی از اطلاعات؛ الگوها و ساختارهای پنهان در آنها را کشف کنند.

چرا آموزش الگوریتم های نظارت شده در ماشین لرنینگ اهمیت دارد؟

الگوریتم‌های نظارت شده برای الگوریتم های یادگیری ماشین در داده کاوی اهمیت فراوانی دارند، به همین علت یادگیری آن‌ها در دنیای امروزی ضروری است. از جمله دلایل اهمیت آموزش الگوریتم های نظارت شده در ماشین لرنینگ می‌توان به موارد زیر اشاره کرد:

·        سهولت پیاده‌سازی: پیاده‌سازی الگوریتم‌های نظارت شده نسبت به سایر الگوریتم‌های یادگیری ماشین از سادگی بیشتری برخوردار هستند. با وجود داده‌های برچسب‌گذاری شده، این الگوریتم‌ها می‌توانند به‌طور مستقیم به یادگیری و انجام وظایف خود بپردازند. 

·        ترکیب با سایر روش های یادگیری ماشین: الگوریتم‌های نظارت شده می‌توانند به‌طور مؤثر با سایر روش‌های یادگیری ماشین ترکیب شوند. برای مثال، می‌توان از روش يادگيري تقويتي و الگوریتم‌های آن برای آموزش یک مدل یادگیری عمیق استفاده کرد و از قدرت این مدل برای حل مسائل پیچیده‌تر بهره برد.

·        در دسترس بودن منابع آموزشی: برای یادگیری آموزش الگوریتم های نظارت شده در ماشین لرنینگ منابع آموزشی متعددی در دسترس است. کتاب‌ها، مقالات، دوره‌های آنلاین و ابزارهای مختلفی وجود دارند که به شما کمک می‌کنند تا این الگوریتم‌ها را به‌طور کامل یاد بگیرید و از آنها در پروژه‌های خود استفاده کنید.

کاربردهای الگوریتم‌های نظارت شده در یادگیری ماشین

الگوریتم‌های نظارت شده انقلابی در نحوه‌ی پردازش اطلاعات و حل مسائل در تمام زمینه‌ها ایجاد کرده‌اند. از مهم‌ترین کاربردهای این الگوریتم‌ها می‌توان به موارد زیر اشاره کرد:

1) تشخیص تصویر و ویدئو

الگوریتم‌های نظارت شده در تشخیص اشیاء و افراد در تصاویر و ویدئوها حرف‌های زیادی برای گفتن دارند. این الگوریتم‌ها با بلعیدن حجم عظیمی از تصاویر و ویدئوهای برچسب‌گذاری شده، یاد می‌گیرند که اشیاء مختلف مانند اتومبیل، عابر پیاده، یا حیوانات را با دقت بالا تشخیص دهند.

2) طبقه‌بندی متون

دنیای دیجیتال پر از اطلاعات متنی است. ایمیل‌ها، مقالات، پیام‌های شبکه‌های اجتماعی و انواع دیگر داده‌های متنی، حجم عظیمی از اطلاعات را در اختیار ما قرار می‌دهند. با برچسب‌گذاری متن‌ها و آموزش الگوریتم‌های فوق، یادگیری ماشین می‌تواند متون جدید را برچسب‌گذاری کند.

3) تشخیص تقلب و فریب

در دنیای امروز که تراکنش‌های آنلاین و فعالیت‌های دیجیتال رواج پیدا کرده‌اند، تشخیص تقلب و فریب از اهمیت بالایی برخوردار است. با آموزش این الگوریتم‌ها روی داده‌های مربوط به تراکنش‌های بانکی، فعالیت‌های آنلاین و سایر موارد، می‌توان آنها را قادر ساخت تا الگوهای مشکوک را شناسایی کنند.

آینده یادگیری ماشین و الگوریتم‌ها نظارت شده

یادگیری ماشین در حال پیشرفت و توسعه سریع است و انتظار می‌رود در آینده نقش بسیار مهم‌تری در زندگی انسان‌ها ایفا کند. این تکنولوژی به سرعت حضور خود را در زندگی روزمره پررنگ‌تر می‌کند. این الگوریتم‌ها در آینده‌ای نه چندان دور می‌توانند همکاری بیشتری با انسان‌ها داشته باشند. به همین علت آموزش الگوریتم های نظارت شده در ماشین لرنینگ به شما کمک می‌کند تا به این دانش مسلط باشید و بتوانید جایگاه شغلی خوبی در داخل و خارج از ایران بدست آورید.

معرفی دوره آموزش الگوریتم های نظارت شده در یادگیری ماشین مکتب خونه

برگزار کننده دوره آموزش الگوریتم های نظارت شده در ماشین لرنینگ، دانشگاه استنفورد است. مدرس این دوره اندرو انگ (Andrew Ng) یکی از اساتید به‌نام دانشکده علوم کامپیوتر این دانشگاه است. شما می‌توانید این دوره 5 ساعته را همراه با زیرنویس فارسی از مکتب خونه مشاهده کنید. در این دوره تمام مباحث از صفر تا صد آموزش داده شده است. به همین علت برای شرکت در آن نیازی به هیچ‌گونه پیش‌نیازی ندارید.

سرفصل‌های دوره آموزش الگوریتم های نظارت شده در ماشین لرنینگ مکتب خونه

سرفصل‌های دوره آموزش الگوریتم های نظارت شده در یادگیری ماشین به صورت زیر است:

فصل اول: مقدمه‌ای بر یادگیری ماشین

فصل دوم: رگرسیون با چند ورودی

فصل سوم: دسته‌بندی

آموزش الگوریتم های نظارت شده در ماشین لرنینگ، همراه با مکتب خونه

در دنیای پیشرفته امروز هوش مصنوعي در تمامی عرصه‌ها حضور مؤثر دارد. به همین علت به یکی از مهارت‌های اصلی در دنیای امروز تبدیل شده است. شما با شرکت در آموزش الگوریتم های نظارت شده در ماشین لرنینگ می‌توانید تمامی مباحث را از صفر تا صد یاد بگیرید. با شرکت در این دوره از مکتب خونه می‌توانید موقعیت شغلی خود را ارتقا دهید. پس همین حالا برای وارد شدن به دنیای تکنولوژی اقدام کنید. در مکتب خونه همچنین انواع دوره آموزش AI، آموزش ماشین لرنینگ و آموزش برنامه نویسی به عنوان مکمل و پیش نیاز این دوره موجود است.

 

اطلاعات بیشتر

امتیاز و نظرات کاربران

4.7

از مجموع 19 امتیاز

5 نظر

6 ماه پیش

لطفا فایل های همراه آموزش را هم آپلود بفرمایی تشکر

سعید ساربانی

سعید ساربانی

6 ماه پیش

دوره بسیار کاربردی بود کاش دسترسی به آزمایشگاه ها و کد های دوره هم امکان پذیر می شد.

پویا خوش کلامیان

پویا خوش کلامیان

7 ماه پیش

سلام وقت بخیر به نظرم دوره بسیار خوبی هست فقط یه سوال داشتم امکان دسترسی به کدهایی که نوشته شده ونشان داده میشود در فیلم ها وجود دارد؟

مهیار منتظری

مهیار منتظری

1 سال پیش

سلام وقت بخیر به شدت دوره مناسبی برای شروع مفاهیم می‌باشد و تمام مباحث ریاضی رو کامل توضیح میدهند برای شروع عالی

سینا خسروی

سینا خسروی

3 ماه پیش

به نظرم باید کدها و آزمایشگاه ها شامل دوره میشد،کسی که بخواد پروژه ای کار کنه باید بشینه همه کدهارو خودش از اول بنویسه

زینب بیات

زینب بیات

دوره‌های پیشنهادی

این دوره در کدام مسیرهای یادگیری است؟

درباره استاد

Andrew Ng
Andrew Ng
17 دوره
28,434 دانشجو

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.

اطلاعات بیشتر

دیگر دوره‌های Andrew Ng

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.