×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعیماشین لرنینگ

آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ

مدرس:دانشگاه استنفورد

Andrew Ng

تخصص یادگیری ماشین مجموعه سه دوره بنیادی است که با هم کاری DeepLearning.AI و استنفورد آنلاین ایجاد شده... بیشتر
پرطرفدار
زیرنویس
4.5 (19)
3 دیدگاه
3,560دانشجو
9ساعت
سرفصل‌ها
متوسط سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

ساخت و آموزش یک شبکه عصبی با TensorFlow برای انجام طبقه‌بندی چند‌طبقه

بهترین روش‌ها برای توسعه یادگیری‌ماشین به منظور تعمیم مدل‌های شما به داده‌ها و وظایف در دنیای واقعی

ساخت و استفاده از درختان تصمیم‌گیری و روش‌های دسته‌بندی درختان از جمله random forests و boosted trees

این دوره شامل:

9 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

4 فصل59 جلسه9 ساعت ویدیو
فصل اول: شبکه عصبی
  پیشگفتار
03:03
  نرون‌ها و مغز
11:02
  پیشبینی تقاضا
16:32
  مثال شناسایی تصویر
06:45
  لایه‌های شبکه‌های عصبی
09:59
  شبکه‌های عصبی پیچیده‌تر
08:19
  ساخت پیش‌بینی کننده (Forward Propagation)
05:33
  استنتاج کد
06:50
  داده در تنسورفلو
11:29
  ساخت شبکه عصبی
08:31
  انتشار رو به جلو در تک لایه
05:16
  پیاده‌سازی عمومی رو به جلو
08:01
  مسیر به AGI
10:44
  نحوه پیاده‌سازی بهینه شبکه‌عصبی
04:31
  ماتریس Multiplication
09:38
  قوانین ماتریس Multiplication
09:40
  کد ماتریس Multiplication
06:35
فصل دوم: آموزش مدل در شبکه عصبی
  پیاده‌سازی با تنسورفلو
03:46
  جزییات آموزش
13:37
  جایگزین‌های فعال‌ساز سیگموید
05:39
  انتخاب تابع فعالساز
08:34
  چرا به انتخاب تابع فعالساز نیاز است؟
05:40
  چندکلاسی
03:38
  Softmax
11:42
  شبکه‌های عصبی با Softmax
07:34
  بهبود پباده‌سازی Softmax
09:22
  طبقه‌بندی با خروجی‌های متعدد اختیاری
04:29
  بهینه‌سازی پیشرفته
06:35
  انواع لایه‌های اضافی
09:05
فصل سوم: یادگیری ماشین کاربردی
  تصمیم‌گیری برای تلاش بعدی
03:51
  ارزیابی مدل
10:35
  انتخاب مدل
15:02
  فهم بایاس و واریانس
11:22
  بایاس/ واریانس و رگولاریزیشن
10:46
  ایجاد پایه سطح عملکرد
09:35
  منحنی یادگیری
12:23
  تصمیم گیری برای تلاش بعدی (بازبینی شده)
08:56
  بایاس/ واریانس و شبکه عصبی
10:54
  حلقه تکراری توسعه ml
07:52
  ارزیابی خطا
08:30
  اضافه کردن داده
14:33
  آموزش انتقالی با استفاده از داده از یک کار متفاوت
12:20
  سیکل کامل یک پروژه یادگیری ماشین
08:54
  بایاس و ethics منصفانه
10:05
  ماتریس خطا برای مجموعه داده‌های دارای انحراف
11:45
  تریدآف بین Precision و Recall
11:59
فصل چهارم: درخت تصمیم
  مدل درخت تصمیم
07:11
  پروسه یادگیری
11:30
  اندازه‌گیری خلوص (Purity)
07:48
  انتخاب Split Information Gain
12:01
  کنار هم قرار دادن
09:17
  روش کدبندی وان هات
05:35
  ویژگی‌های با‌ارزش پیوسته
07:03
  درخت‌های رگرسیون
10:00
  استفاده از درختان چندگانه
04:06
  نمونه‌برداری با Replacement
04:09
  الگوریتم Random Forest
06:32
  Xgboost
07:01
  چه زمانی باید از درخت تصمیم استفاده کرد؟
06:29

پیش‌نیاز‌ها

این دوره دومین دوره از تخصص یادگیری ماشین بوده و پیشنیاز آن دوره آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ است.

توضیحات دوره

تخصص یادگیری ماشین مجموعه سه دوره بنیادی است که با هم کاری DeepLearning.AI و استنفورد آنلاین ایجاد شده است.

این تخصص توسط اندروانگ، یک متخصص هوش مصنوعی آموزش داده می‌شود که تحقیقات مهمی را در دانشگاه استنفورد و کارهای پیشگامانه‌ای در Google Brain ،Baidu و Landing.AI برای پیشرفت حوزه هوش مصنوعی انجام داده است.

این دوره تخصصی یک نسخه به روز شده و گسترش یافته از دوره پیشگام یادگیری ماشینی است که از زمان راه‌اندازی در سال 2012، امتیاز 4.9 از 5 را کسب کرده و بیش از 5 میلیون کاربر آن را فراگرفته‌اند.

این دوره مقدمه وسیعی برای یادگیری ماشین مدرن فراهم می‌کند، از جمله: یادگیری تحت نظارت (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه‌های عصبی و درخت‌های تصمیم گیری)‌، یادگیری بدون نظارت (خوشه‌بندی، کاهش ابعاد، سیستم‌های توصیه‌گر‌)، و برخی از بهترین روش‌های مورد استفاده در سیلیکون‌ولی برای هوش مصنوعی و نوآوری یادگیری ماشین ( ارزیابی و تنظیم مدل ها , اتخاذ رویکرد داده محور برای بهبود عملکرد و ... ).

 

معرفی دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ 

دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ دومین دوره از تخصص یادگیری ماشین است و به مباحثی مثل شبکه عصبی،درخت تصمیم و نکات عملی برای یادگیری‌ماشین کاربردی می‌پردازد.

 

آنچه در دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ خواهید آموخت

با ثبت نام در این دوره آموزشی شما با مفاهیم زیر آشنا خواهید شد:

  • ساخت و آموزش یک شبکه عصبی با TensorFlow برای انجام طبقه‌بندی چند‌طبقه
  • بهترین روش‌ها برای توسعه یادگیری‌ماشین به منظور تعمیم مدل‌های شما به داده‌ها و وظایف در دنیای واقعی
  • ساخت و استفاده از درختان تصمیم‌گیری و روش‌های دسته‌بندی درختان از جمله random forests و boosted trees

این تخصص توسط اندرو انگ آموزش داده می‌شود.

 

دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ برای چه کسانی مناسب است؟

این دوره آموزشی برای تمامی افرادی که در زمینه هوش مصنوعی و یادگیری ماشین تحقیقات انجام می‌دهند مناسب است. همچنین این دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ برای دانشجویان کارشناسی، کارشناسی ارشد و دکتری رشته‌های مهندسی کامپیوتر بسیار دوره مناسبی به‌حساب می‌آید.

در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به‌کارگیری سریع و قدرتمند یادگیری ماشین در مسائل چالش‌برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به دنیای هوش مصنوعی و یادگیری ماشین هستید، این دوره جدید یادگیری ماشین بهترین مکان برای شروع است.

دیدگاه کاربران

4.5

بر اساس امتیاز 19 دانشجو

1
2
3
4
5

عرفان زاهدی

12 روز پیش

5

بی نظیره

محسن امیری

1 ماه پیش

4

خوب اما کاش کوییز و تمرین هم می داشت.

دانشجوی دوره

1 ماه پیش

4

دوره خوب و مفیدی هست. مفاهیم از لحاظ تعوری اموزش داده میشن صرفا نه عملی.

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
Andrew Ng
20دوره
32,582دانشجو
462نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

ماشین لرنینگ
یادگیری عمیق
رشته هوش مصنوعی

دوره‌های مشابه

دیگر دوره‌های Andrew Ng

سوالات پرتکرار

حداقل و حداکثر زمانی که می‌توانم یک دوره را بگذرانم چقدر است؟

برای گذراندن دوره، حداقل زمان مشخصی وجود ندارد و شما می‌توانید در هر زمان که مایل هستید، ویدیوهای آموزشی دوره را ببینید و تمارین را انجام دهید؛ اما برای هر دوره یک حداکثر زمان تعیین شده که در صفحه معرفی دوره قابل مشاهده است که تنها در این بازه زمانی امکان تصحیح پروژه‌ها توسط پشتیبان و دریافت گواهی‌نامه را خواهید داشت.