دوره آموزش یادگیری ماشین (Machine Learning)

چکیده آنچه که در دوره آموزش یادگیری ماشین (Machine Learning) خواهید آموخت

اگر قصد دارید یک دوره یادگیری ماشین بگذرانید، کافی است کمی در اینترنت جستجو کنید. تعداد دوره‌ها اینقدر زیاد هستند که چندسالی لازم دارید تا از ابتدا تا مقطع قابل قبولی را طی کنید. شاید به ندرت دوره جامعی را پیدا کنید که این سه نکته را در اختیار شما بگذارد:

1. آموزش ریاضیات و تئوری الگوریتم‌ها در کنار پیاده‌سازی و کاربرد هر کدام از آن‌ها

2. توسعه و Deploy اپلیکشین‌های مبتنی بر Machine learning

3. امکان بهره‌گیری از روش‌های سریعتر یادگیری ماشین مانند Pycaret

ما در این دوره، هم بر آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تاکید داریم هم بر نحوه استفاده از این الگوریتم‌ها در سطح کد به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و به صورت اولیه، در بستر وب سرویس‌دهی کنید.

بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین در کار خود کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی بردارید.

هدف از یادگیری دوره آموزش یادگیری ماشین (Machine Learning) چیست؟

یادگیری ماشین، بدون شک به عنوان یکی از برترین فناوری‌های برتر به ویژه در دنیای امروز به‌شمار می‌رود. در دنیایی که روزبه‌روز با تولید انواع مختلف داده روبرو هستیم نیاز به اتوماتیک کردن کارهای تکراری با استفاده از سیستم‌های کامپیوتری، بیش از پیش احساس می‌گردد و در روزگاری نه چندان دور، به عضوی جدانشدنی بدل خواهد شد. سیستمی که بتواند یاد بگیرد و مانند انسان تحلیل کند، قادر خواهد بود تا ارزش افزوده خارق‌العاده‌ای را برای هر سازمان و فعالیتی، فراهم نماید.

به همین دلیل، در این روزها شاهد رشد نمایی شغل‌های مربوط به تحلیل داده و یادگیری ماشین هستیم و این فرصتی مغتنم جهت رشد و بهبود شرایط در هر کشوری به شمار می‌رود. در انتهای این دوره شما قادر خواهید بود تا سامانه خود را با الگوریتم‌های یادگیری ماشین توسعه داده و به اصطلاح Deploy نمایید.

دوره آموزش یادگیری ماشین (Machine Learning) مناسب چه کسانی است؟

اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین دارید.
اگر بنیان‌گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین در بهبود ایده استارتاپی خود دارید.
اگر قصد دارید تا محصول نهایی خود را Deploy نمایید.
اگر دانشجو یا محقق هستید و قصد دارید با تسلط بیشتر، چه از نظر تئوری و کدنویسی از یادگیری ماشین استفاده کنید.
اگر تمایل دارید تا در فرصت‌های شغلی با عنوان Machine learning Engineer یا Data Scientist در داخل یا خارج از ایران، امتیاز بیشتری را با توجه به تسلط در یادگیری ماشین اخد نمایید.

ویژگی‌های متمایز دوره آموزش یادگیری ماشین (Machine Learning) چیست؟

این دوره توسط افرادی تدریس شده است که علاوه بر سابقه ممتاز در بخش آکادمیک، سابقه فعالیتی درخشانی در صنعت داشته که در نهایت، این دوره به شما کمک خواهد کرد تا بتوانید علاوه بر دانش تئوری، نحوه پیاده‌سازی و اجرا را هم فرابگیرید تا در ادامه این دوره، به صورت کاملاً عملی و تجاری وارد صنعت شوید.

این دوره آموزشی حاصل سال ها تجربه تدریس در دانشگاه‌ها و آموزشگاه‌های معتبر داخلی و نیز فعالیت در صنعت هوش‌مصنوعی در کشور بوده و با هدف کاربردی‌بودن در سناریوهای دنیای واقعی مطرح شده است. این دوره آموزشی، کاملاً پروژه محور بوده و مباحث تئوری یادگیری ماشین با ظرافت هرچه تمام تدریس شده است. در پایان هر فصل با انجام پروژه‌‎ با داده‌های واقعی و نیز داده‌های مسابقات Kaggle، آموخته‌های خود را در دنیای واقعی محک خواهید زد.

بعد از فراگیری دوره آموزش یادگیری ماشین (Machine Learning)، چه مهارت‌هایی کسب خواهید کرد؟

بعد از گذراندن این دوره، قادر خواهید بود تا الگوریتم‌های یادگیری ماشین را بر روی داده‌های واقعی پیاده‌سازی و اجرا نمایید. یکی از نقاط قوت این دوره این است که در نهایت شما را به سمت تولید محصول مبتنی بر یادگیری ماشین راهنمایی می‌کند.

آشنایی کامل با ابزارهای یادگیری ماشین در پایتون
آشنایی کامل با کتابخانه (NumPy)
آشنایی کامل با کتابخانه (Pandas)
آموزش نحوه بصری‌سازی داده‌ها (Matplotlib & Seaborn)
پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از کتابخانه (Scikit-learn)
نحوه استفاده از Kaggle Kernel و Google Colab
نحوه Deploy نمودن مدل نهایی با استفاده از Streamlit
استفاده از روش‌های Automl و آموزش Pycaret

ویژگی های متمایز دوره آموزش یادگیری ماشین (Machine Learning)، مکتب‌پلاس چیست؟

روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین (Machine Learning)، ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است:

کدهای مربوط به الگوریتم‌های یادگیری ماشین، قدم به قدم با استفاده از کتابخانه‌های مربوطه توضیح داده می‌شود.
راه‌حل‌های استفاده از الگوریتم‌های یادگیری ماشین در مسایل تجاری بررسی شده و یک سیستم عملیاتی کامل جهت اجرا در وبسایت و اپلیکیشن شما ساخته می‌شود.
مراحل Deploy نمودن و توسعه محصول مبتنی بر یادگیری ماشین آموزش داده خواهد شد.

سرفصل‌های دوره آموزش یادگیری ماشین

فصل اول: مقدمه

00:42 ساعت

00:39

5 جلسه

بارم:

نمایش جلسات فصل

در این فصل با مقدمات یادگیری ماشین (Machine learning) آشنا خواهیم شد. در ابتدا به انواع مختلف یادگیری ماشین بر اساس داده‌ها می‌پردازیم. داده‌ها با توجه به این‌که برچسب داشته باشند یا بدون برچسب باشند روال آموزش مدل ما و سناریوهای یادگیری ماشین را مشخص می‌کنند. یادگیری باناظر (Supervised Learning) و یادگیری بدون ناظر (Unsupervised Learning) از این روش‌ها به شمار می‌روند که در این دوره به صورت کامل در مورد آن‌ها صحبت خواهیم کرد. سپس به نحوه دانلود و نصب Anaconda Navigator و چگونگی کار با Jupyter Notebook می‌پردازیم.
لازم به ذکر است، اگر با زبان برنامه‌نویسی پایتون آشنا نیستید لطفاً زمانی را جهت آموزش آن اختصاص دهید تا این دوره را با سرعت و تسلط بیشتری ادامه بدهیم.

یادگیری‌ماشین و انواع آن

"15:54

کوییز یادگیری‌ماشین و انواع آن

66.7%

"02:00

نقشه‌ی راه یادگیری‌ماشین با پایتون

"06:04

راهنمای نصب Anaconda Navigator

"17:40

کوییز راهنمای نصب Anaconda Navigator

33.3%

"01:00

فصل دوم: کتابخانه‌های پیش نیاز پایتون

01:24 ساعت

01:16

12 جلسه

بارم:

نمایش جلسات فصل

یکی از دلایل اصلی جهت انتخاب پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین، وجود طیف گسترده‌ای از کتابخانه‌ها و پکیج‌های مختلف می‌باشد که قبل از شروع به یادگیری یادگیری ماشین، بهتر است با این کتابخانه‌ها آشنا شویم.
ابتدا به سراغ کتابخانه Numpy خواهیم رفت که جهت کار با آرایه‌ها و ماتریس‌ها خواهد بود.
سپس کتابخانه Pandas را مورد کنکاش قرار می‌دهیم که ابزار اصلی ما در EDA و تحلیل اولیه دیتاست می‌باشد. به سراغ اولین دیتاست خواهیم رفت و لیست مسافرین کشتی تایتانیک را تحلیل می‌کنیم.

مختصری در مورد Kaggle و مساله Titanic

نحوه کار با loc و iloc

فصل سوم: نحوه بصری‌سازی در پایتون

05:36 ساعت

00:35

6 جلسه

بارم:

نمایش جلسات فصل

بصری‌سازی (Visualization) یکی از مهم‌ترین مراحل تحلیل داده می‌باشد. بدون این مرحله گویا با چشمان بسته دل به جاده یادگیری ماشین زده‌اید و داستان‌سرایی (Storytelling) که از زیباترین گام‌های تحلیل داده می‌باشد را کنار گذاشته‌اید. ما در این فصل به بررسی و آموزش کتابخانه‌های Matplotlibو Seaborn می‌پردازیم و دیتاست (Tips) که مربوط به انعام‌های یک رستوران می‌باشد را تحلیل می‌کنیم.

Matplotlib و Seaborn - بخش اول

"12:06

Seaborn – بخش دوم

"11:30

کوییز Seaborn - بخش اول

کوییز Seaborn - بخش دوم

5.9%

تمرین اول _ داده‌های برنامه‌های Google Play

(الزامی)

82.4%

"300:00

فصل چهارم: رگرسیون خطی (Linear Regression)

01:32 ساعت

01:28

10 جلسه

بارم:

نمایش جلسات فصل

در رگرسیون، هدف نهایی پیش‌بینی مقادیر یک متغیر وابسته بر اساس مقادیر یک یا چند متغیر مستقل است که برای این منظور باید رابطه بین این متغیرها مشخص باشد، اما چون از ماهیت رابطه واقعی بین این متغیرها اطلاعی نداریم، تلاش بر این خواهد بود که رابطه واقعی را با یک رابطه خطی تقریب بزنیم و از این رابطه خطی برای اهداف پیش‌بینی استفاده کنیم. رگرسیون خطی بهترین گزینه برای شروع یادگیری ماشین و فهم نحوه کارکرد آن خواهد بود. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند، از آن در پیش‌بینی قیمت خانه از آن استفاده می‌کنیم.

گرادیان کاهشی در رگرسیون خطی

"11:32

کوییز گرادیان کاهشی در رگرسیون خطی

معیارهای ارزیابی مسایل رگرسیون

"13:50

کوییز دوم رگرسیون خطی

25.0%

"01:00

فصل پنجم: رگرسیون خطی چندمتغیره (Multivariable Linear Regression)

01:00 ساعت

00:59

7 جلسه

بارم:

نمایش جلسات فصل

اگر رابطه خطی بین یک متغیر پاسخ و یک متغیر مستقل برقرار شود، تکنیک رگرسیون را رگرسیون خطی ساده یا Simple Linear Regression می‌نامند ولی در صورت به کارگیری چندین متغیر مستقل، آن را رگرسیون چندگانه یا Multiple Linear Regression می‌گویند. هم‌چنین روش دیگری براساس چند متغیر پاسخ و مستقل نیز به کار گرفته می‌شود که به آن رگرسیون چند متغیره یا Multivariable Regression گفته شده و بیش از یک متغیر پاسخ مورد تحلیل و مدل‌سازی قرار می‌گیرد. در این فصل نیز با استفاده از کتابخانه محبوب Scikit-learn به پیاده‌سازی و آموزش مدل خواهیم پرداخت.

رگرسیون خطی چندمتغیره

"10:50

رگرسیون چند جمله‌ای

"09:56

کوییز رگرسیون خطی چند متغیره

دست به کُد – بخش چهارم

"08:19

فصل ششم: رگرسیون لجستیک (Logistic Regression)

07:16 ساعت

02:13

16 جلسه

بارم:

نمایش جلسات فصل

در این فصل به بررسی یکی از معروف‌ترین روش‌های Classification خواهیم پرداخت. رگرسیون لجستیک برخلاف نامش یکی از روش‌های طبقه‌بندی به شمار می‌رود که برای تحلیل رابطه بین متغیرها، بررسی و ایجاد مدل رابطه از تابعی به نام Logistic Function استفاده می‌شود. به همین علت این روش را رگرسیون لجستیک می‌نامند. در اکثر پروژه‌های یادگیری ماشین از این روش به عنوان روشی سریع و ساده و البته پایه و پرکاربرد یاد می‌شود. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

رگرسیون لجستیک - بخش اول

"11:56

رگرسیون لجستیک – بخش دوم

دسته‌بندی چندکلاسه به رگرسیون لجستیک

"07:12

معیارهای ارزیابی در طبقه بندی - بخش اول

"09:03

معیارهای ارزیابی در طبقه بندی - بخش دوم

"07:33

معیارهای ارزیابی در طبقه‌بندی - بخش سوم

معیارهای ارزیابی Multiclass در Classification

تمرین دوم _ Bike Sharing Demand

(الزامی)

82.4%

"300:00

فصل هفتم : پیش‌‎پردازش داده‌ها

01:12 ساعت

01:07

8 جلسه

بارم:

نمایش جلسات فصل

در این فصل، یکی از اصلی‌ترین گام‌های ساخت مدل برای یادگیری ماشین را یاد خواهیم گرفت. ابتدا می‌آموزیم که چگونه و چرا باید داده‌ها پیش‌پردازش شوند و با داده‌های گم‌شده یا Missing Value چطور برخورد کنیم. مقیاس‌بندی داده‌ها و روش‌های مختلف آن، نکته دیگری است که در این فصل به آن خواهیم پرداخت.

کوییز پیش‌پردازش داده

دست به کُد – بخش چهارم

"09:44

کوییز مقیاس‌بندی (Scaling)

50.0%

"02:00

فصل هشتم : مفاهیم مهم در درک یادگیری‌ماشین

02:21 ساعت

02:19

15 جلسه

بارم:

نمایش جلسات فصل

در این فصل قصد داریم تا مفاهیم پایه‌ای و اصلی که هر مهندس یادگیری ماشین می‌بایست به آن‌ها مسلط باشد را با هم فرابگیریم. قطعاً آموخته‌های شما از این فصل تا مدت‌ها به کار شما خواهد آمد.

بیش‌برازش (Overfitting)

"13:10

تقسیم بندی داده‌ها و Cross-Validation

تنظیم (Regularization)

"17:08

دست به کُد (Regularization)

گرادیان کاهشی در Softmax

آموزش کار با Google Colab

"12:39

کوییز Google Colab

16.7%

فصل نهم : نزدیکترین همسایه (KNN)

00:33 ساعت

00:32

4 جلسه

بارم:

نمایش جلسات فصل

یک جمله معروفی هست که احتمالاً شنیده‌اید. بسیار محتمل است که شما شبیه به 5 نفر از نزدیکترین دوستان خود باشید. شاید این جمله، به صورت خیلی ساده مفهوم کلی الگوریتم KNN را توضیح دهد. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

فصل دهم : تئوری بیز ساده (Naïve Bayes)

00:40 ساعت

00:39

5 جلسه

بارم:

نمایش جلسات فصل

در این فصل با یکی از قدیمی‌ترین روش‌های یادگیری ماشین روبرو خواهیم شد. در Machine Learning، بسیاری از روش‌های به کار گرفته شده در یادگیری ماشین، از تکنیک‌های آماری بهره می‌برند که تکنیک دسته‌ بند بیز ساده با بکارگیری قضیه بیز و فرض استقلال بین متغیرها، عضوی از همین روش‌های احتمالاتی در نظر گرفته می‌شود. این الگوریتم از قضیه بیز به منظور تفکیک احتمالات استفاده می‌کند و ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.