00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • اضافه شدن دوره به پروفایل
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

یادگیری ماشین

دوره‌های رایگان
25 جلسه
93٪ (306 رای)

علم یادگیری ماشین ( Machine Learning ) از زیرشاخه‌های اصلی علم هوش مصنوعی و تکنولوژی بوده که امروزه به رویکرد و تکنیکی برای حل مسائل هوش مصنوعی تبدیل شده است. آرتور ساموئل ( Arthur Samuel ) از نظریه پردازان و محققان هوش مصنوعی در سال 1959 برای اولین بار از یادگیری ماشین با استفاده از نظریه‌ها و الگوهای محاسباتی رونمایی کرد. در حوزه یادگیری ماشین با مقداری از تجربه و داده‌ها روبه رو هستیم که باید از آن‌ها برای حل بهتر مسائل و فرضیه ها کمک بگیریم یا به عبارت دیگر باید از داده‌هایی که در بخش تجارب وجود دارد استفاده کنیم تا تصمیمات بهتری بگیریم که در این زمینه مبحث " یادگیری ماشین " بسیار موثر است.

سرفصل‌های دوره یادگیری ماشین

فیلم های آموزشی
27:28 ساعت
30:20
Combined Shape Created with Sketch. 23 جلسه
جلسه اول - مقدمه و معرفی یادگیری ماشین
"77:05
جلسه دوم - تخمین ML و MAP
"75:50
جلسه سوم - رگرسیون خطی
"72:23
جلسه چهارم - رگرسیون 2
"66:38
جلسه پنجم - خطای روی کل توزیع و مفاهیم بایاس و واریانس
"67:01
جلسه ششم - رگرسیون با دیدگاه احتمالاتی، شروع دسته بندی خطی
"69:27
جلسه هفتم - دسته‎بندهای خطی و دسته‎بندی چند دسته‌ای
"73:28
جلسه هشتم - دسته‎بندهای احتمالاتی – دسته‎بند بيز
"73:07
جلسه نهم - ادامه دسته‎بندهای احتمالاتی – رگرسيون لاجيستيک
"74:23
جلسه دهم - دسته‌بند SVM
"69:18
جلسه یازدهم - ادامه دسته‌بند SVM و کرنل
"73:49
جلسه دوازدهم : ادامه کرنل و شروع بحث دسته‎بندهای درخت تصميم (ِDecision tree)
"71:01
جلسه سیزدهم : ادامه درخت تصميم (ِDecision tree)
"68:51
جلسه چهاردهم : تئوری يادگيری
"72:48
جلسه پانزدهم: ادامه تئوری يادگيری
"77:54
جلسه شانزدهم: يادگيری مبتنی بر نمونه (Instance-based)
"74:47
جلسه هفدهم: ادامه بحث يادگيری مبتنی بر نمونه و شروع يادگيری جمعی (Bagging و Boosting)
"74:26
جلسه هجدهم: ادامه روش AdaBoost و شروع بحث انتخاب ويژگی
"78:05
جلسه نوزدهم: ادامه بحث انتخاب ويژگی و روش PCA
"73:58
جلسه بيستم: ادامه بحث استخراج ويژگی و شروع خوشه‌‌بندی (clustering)
"69:05
جلسه بیست و یکم
"58:13
جلسه بیست و دوم
"64:07
جلسه بیست و سوم
"72:28
مدرس دوره
مهدیه سلیمانی

دکتر سلیمانی استادیار دانشکده کامپیوتر دانشگاه صنعتی شریف است.وی مدرک کارشناسی، کارشناسی ارشد و دکتری خود را در رشته مهندسی کامپیوتر از دانشگاه صنعتی شریف دریافت کرده و در موضوعات یادگیری ماشین، الگوشناسی، بازیابی و جستجوی اطلاعات، سیستم‌های هوشمند تحقیق و پژوهش داشته است.

اطلاعات بیشتر

نظرات  (7 نظر)

کاربر مکتب‌خونه
12:38 - 1399/07/13
کاربر‌ سایت
همه چی عالیه جز فیلم برداری ... بارها شده استاد داره رو تخته یه چیزی مینویسه و فیلم بردار هنوز روی اسلاید هاست و یا برعکس
کاربر مکتب‌خونه
10:32 - 1399/06/31
کاربر‌ سایت
دوره خیلی خوبیه، اموزش خانم سلیمانی هم خیلی روون و گویا ست، فقط کیفیت فیلم برداری پایینه، تخته وایت برد اصلا معلوم نیست.
عرفانه
10:47 - 1399/04/24
کاربر‌ سایت
ويديو استپ مى كند و هماهنگى صدا و تصوير وجود ندارد مطالب خوبه ولى كيفيت مشكل داره
پشتیبانی مکتب‌خونه
همراه عزیز؛ از اینکه نظر خود را با ما در میان گذاشتید صمیمانه سپاسگزاریم. لطفا در صورت امکان با ارسال جزییات بیشترما را در ارتقا سطح کیفی خدمات یاری رسانید. info@maktabkhoneh.org
محمد
16:11 - 1399/01/30
کاربر‌ سایت
عالی هست درس دادن ایشون
حسن
17:28 - 1398/12/23
کاربر‌ سایت
کیفیت فیلمبرداری مقداری کمه
کاربر مکتب‌خونه
23:01 - 1398/12/22
کاربر‌ سایت
سلام فیلمبرداری خیلی ضعیفه فیلم اسلایدا تو این دو جلسه ای که من میبینم خیلی کم گرفته شده کیفیت نسبتا پایینه حتی تو اینک با کیفیت
کاربر مکتب‌خونه
22:30 - 1398/11/15
کاربر‌ سایت
سلام خانم دکتر مهدیه سلیمانی عالی هستند عالی

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

اطلاعات بیشتر

این روزها یادگیری ماشین به یکی از داغ ترین موضوعات مطرح در تکنولوژی و پیشرفت علم هوش مصنوعی بدل شده است، این علم از جنس آمار و ارقام و محاسبات است که در آن می‌توانیم هوش بشری را توسط هوش مصنوعی الگوسازی کنیم. از نمونه حوزه‌های کاربردی در یادگیری ماشین می‌توانیم به موارد زیر اشاره کنیم :

·        حوزه Computer Vision : حوزه بینایی ماشین برای تشخیص اشیا

·        حوزه Speech Recognition : دریافت سیگنال صوت و پیدا کردن کلماتی که در دنباله سیگنال گفته می‌شود.

·        حوزه Robotics : برای حل مسائل هدایت و یادگیری ربات‌ها

·        حوزه  Natural Language Processing: پردازش زبان طبیعی

شناخت Machine Learning برای افراد در زمینه کاری‌های مختلف مرتبط با هوش مصنوعی مزایای زیادی دارد، از جمله این مزیت‌ها باید به ایجاد تفکر مدرن در توسعه فناوری و تکنولوژی اشاره کنیم. به طور کلی شناخت مباحث یادگیری ماشین حل مشکلات را راحت تر کرده و منجر به ایجاد یک تفکر خاص و خلاقیت در پیدا کردن راه حل مشکلات می‌شود. در اصل با فراگیری مباحث الگوریتمی، تفکر منطقی‌تری نسبت به حوادث و وقایع پیرامون خواهیم داشت.

دوره آموزش یادگیری ماشین توسط سرکار خانم " دکتر مهدیه سلیمانی " از استادان برجسته دانشکده کامپیوتر دانشگاه صنعتی شریف ضبط شده است. این دوره آموزشی با بررسی مفاهیم اولیه در یادگیری ماشین، تخمین ML و MAP و بحث گسترده‌ی رگرسیون ها آغاز و با روش های انتخاب و استخراج ویژگی به پایان می رسد. درس یادگیری ماشین از مباحث اصلی رشته مهندسی کامپیوتر در دو گرایش مهندسی نرم افزار و مهندسی سخت افزار در مقطع کارشناسی، کارشناسی ارشد و دکتری به حساب می‌آید. از آنجایی که درس یادگیری ماشین بر پایه الگوریتم‌ها بنا نهاده شده است برای درک بهتر مفاهیم این درس پیشنهاد می‌کنیم ابتدا درس " دوره آموزشی هوش مصنوعی " با تدریس استاد مهدیه سلیمانی که به رایگان در مکتب خونه قرار داده شده رو مشاهده، درک و تمرین کنید سپس به مشاهده دوره آموزشی رایگان یادگیری ماشین بپردازید.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فیلم های آموزشی
27:28 ساعت
30:20
Combined Shape Created with Sketch. 23 جلسه
جلسه اول - مقدمه و معرفی یادگیری ماشین
"77:05
جلسه دوم - تخمین ML و MAP
"75:50
جلسه سوم - رگرسیون خطی
"72:23
جلسه چهارم - رگرسیون 2
"66:38
جلسه پنجم - خطای روی کل توزیع و مفاهیم بایاس و واریانس
"67:01
جلسه ششم - رگرسیون با دیدگاه احتمالاتی، شروع دسته بندی خطی
"69:27
جلسه هفتم - دسته‎بندهای خطی و دسته‎بندی چند دسته‌ای
"73:28
جلسه هشتم - دسته‎بندهای احتمالاتی – دسته‎بند بيز
"73:07
جلسه نهم - ادامه دسته‎بندهای احتمالاتی – رگرسيون لاجيستيک
"74:23
جلسه دهم - دسته‌بند SVM
"69:18
جلسه یازدهم - ادامه دسته‌بند SVM و کرنل
"73:49
جلسه دوازدهم : ادامه کرنل و شروع بحث دسته‎بندهای درخت تصميم (ِDecision tree)
"71:01
جلسه سیزدهم : ادامه درخت تصميم (ِDecision tree)
"68:51
جلسه چهاردهم : تئوری يادگيری
"72:48
جلسه پانزدهم: ادامه تئوری يادگيری
"77:54
جلسه شانزدهم: يادگيری مبتنی بر نمونه (Instance-based)
"74:47
جلسه هفدهم: ادامه بحث يادگيری مبتنی بر نمونه و شروع يادگيری جمعی (Bagging و Boosting)
"74:26
جلسه هجدهم: ادامه روش AdaBoost و شروع بحث انتخاب ويژگی
"78:05
جلسه نوزدهم: ادامه بحث انتخاب ويژگی و روش PCA
"73:58
جلسه بيستم: ادامه بحث استخراج ويژگی و شروع خوشه‌‌بندی (clustering)
"69:05
جلسه بیست و یکم
"58:13
جلسه بیست و دوم
"64:07
جلسه بیست و سوم
"72:28