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 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