×
ribbon

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 ... ادامه

برگزارکننده:  دانشگاه استنفورد  دانشگاه استنفورد
مدرس دوره:
5 (7 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  5 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

پیش‌نیاز‌ها

در تهیه مباحث این دوره سعی شده است که همه موضوعات به طور کامل و صفرتاصد بیان شده باشند. به این ترتیب این دوره قصد دارد به مخاطبانی که قصد دارند به تازگی وارد دنیای یادگیری ماشین شوند کمک کند تا بدون هیچ مشکلی این مسیر را آغاز کنند.

برای حضور در این دوره آشنایی کلی با مفاهیم مربوط به یادگیری ماشین کافی است و این دوره نیاز به هیچ آموزش دیگری به عنوان پیش‌نیاز ندارد.

سرفصل‌های دوره آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ

فصل اول: مقدمه‌ای بر یادگیری ماشین
  پیشگفتار
"02:54  
  کاربردهای یادگیری ماشین
"04:38  
  یادگیری ماشین چیست
"05:45  
  یادگیری ماشین نظارت‌شده _ بخش اول
"07:06  
  یادگیری ماشین نظارت‌شده _ بخش دوم
"07:26  
  یادگیری ماشین نظارت‌نشده _ بخش اول
"09:03  
  یادگیری ماشین نظارت‌نشده _ بخش دوم
"03:49  
  جوپیتر (Jupyter)
"04:39  
  رگرسیون خطی _ بخش اول
"10:36  
  رگرسیون خطی _ بخش دوم
"06:54  
  تابع هزینه _ بخش اول
"09:14  
  تابع هزینه _ بخش دوم
"15:56  
  مصورسازی تابع هزینه
"08:43  
  مثالی از مصورسازی
"06:10  
  گرادیان نزولی
"08:13  
  پیاده‌سازی گرادیان نزولی
"10:09  
  درک گرادیان نزولی
"07:11  
  سرعت آموزش
"09:13  
  گرادیان نزولی برای رگرسیون خطی
"06:46  
  اجرای گرادیان نزولی
"05:58  
فصل دوم: رگرسیون با چند ورودی
  ویژگی‌های چندگانه
"10:01  
  برداری‌کردن _ بخش اول
"07:04  
  برداری‌کردن _ بخش دوم
"07:02  
  گرادیان نزولی برای چند متغیر ورودی
"07:56  
  اسکیل‌کردن ویژگی‌ها
"06:45  
  اسکیل‌کردن ویژگی‌ها _ بخش دوم
"07:44  
  بررسی همگرایی گرادیان نزولی
"05:49  
  تعیین سرعت یادگیری
"06:16  
  مهندسی فیچرها
"03:14  
  رگرسیون چندجمله‌ای (Polynomial)
"06:02  
فصل سوم: دسته‌بندی (Classification)
  انگیزش (Motivations)
"09:57  
  رگرسیون لجیستیک
"09:58  
  محدوده تصمیم
"10:52  
  تابع هزینه رگرسیون لجستیک
"12:09  
  ساده‌سازی تابع هزینه رگرسیون لجستیک
"05:54  
  پیاده‌سازی گرادیان نزولی
"06:41  
  مسئله Overfitting
"12:02  
  پرداختن به Overfitting
"08:25  
  تابع هزینه با رگولاریزیشن
"09:13  
  رگرسیون خطی منظم‌شده (Regularized)
"09:02  
  رگرسیون لجیستیک منظم‌شده
"05:42  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

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

درباره استاد

maktabkhooneh-teacher Andrew Ng

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.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
مهیار منتظری 1403-01-25
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؟
سینا خسروی 1401-11-05
سلام وقت بخیر به شدت دوره مناسبی برای شروع مفاهیم می‌باشد و تمام مباحث ریاضی رو کامل توضیح میدهند برای شروع عالی

دوره‌های پیشنهادی

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.
poster
  
برگزار کننده:  دانشگاه استنفورد
  
زمان مورد نیاز برای گذارندن دوره:  5 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی