×
ribbon

یادگیری ماشین دکتر شریفی زارچی

مدرس:دانشگاه صنعتی شریف

علی شریفی زارچیبهروز آذرخلیلی

یادگیری ماشین، واژه ای است که توسط آرتور ساموئل در سال ۱۹۵۹ ابداع شد. این فناوری شاخه ای... بیشتر
4.4 (109)
43 دیدگاه
24,528دانشجو
39ساعت
سرفصل‌ها
مقدماتی 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
توضیحات دوره
دیدگاه کاربران
درباره مدرس

این دوره شامل:

39 ساعت ویدئو

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

7 فصل31 جلسه39 ساعت ویدیو
پیش‌نیاز ریاضی یادگیری ماشین
  جلسه 1: مروری بر مفاهیم مقدماتی آمار و احتمال
77:58
  جلسه 2: مروری بر ریاضیات برداری و جبری
57:32
  اختیاری - مروری بر ریاضیات پیش‌نیاز درس (قسمت اول)
73:07
  اختیاری - مروری بر ریاضیات پیش‌نیاز درس (قسمت دوم)
48:39
  اختیاری - مروری بر ریاضیات پیش‌نیاز درس (قسمت سوم)
77:50
مرور روش‌های کلاسیک یادگیری ماشین
  جلسه 3: مقدمه‌ای بر یادگیری ماشین و تعریف انواع Loss Function ها
75:24
  جلسه 4: دسته‌بندی (Clusteering) - الگوریتم K-means و درخت تصمیم (Decision Tree)
71:57
  جلسه تکمیلی: Decision Tree
82:28
  جلسه 5: ادامه‌ی درخت تصمیم - کاهش ابعاد و Generalization Error
64:23
  جلسه تکمیلی: PCA
83:02
یادگیری، ارزیابی و تنظیم‌کردن مدل‌ها
  جلسه 6: ارزیابی مدل‌ها - Confusion Matrix - انتخاب مدل
71:37
  جلسه 7: ماشین بردار پشتیبان (SVM)
79:26
مدل‌های یادگیری ماشین برای داده‌های جدول
  جلسه 8: روش‌های Ensemble شامل Bagging و Random Forest
62:47
  جلسه 9: ادامه‌ی روش‌های Ensemble و Boosting شامل AdaBoost و Gradient Boosting
77:50
  جلسه 10: ادامه‌ی روش‌های Boosting، روش Stacking و XGBoost
80:11
  جلسه تکمیلی: XGBoost
82:24
آشنایی با شبکه عصبی ژرف
  جلسه 11: شروع شبکه‌ی عصبی، Activation Functionها، Gradient Descent، شبکه‌های عصبی تک‌لایه و چند‌لایه و Back Propagation
77:30
  جلسه 12: شیوه‌ی train کردن شبکه‌های عصبی، ادامه‌ی Back Propagation، انواع مختلف GD
79:09
  جلسه 13: Vanishing Gradients, Weight Initialization, Exploding Gradients, Batch Norm
78:43
  جلسه 14: روش‌های بهبود فرایند آموزش شبکه‌های عصبی
31:41
شبکه‌های عصبی پیچشی
  جلسه 15: Autoencoder ها
66:17
  جلسه تکمیلی: VAE
67:13
  جلسه 16: CNN ها
87:58
  جلسه 17: معماری‌های CNN مدرن
53:24
  جلسه 18: GAN
77:58
  جلسه تکمیلی GAN
76:52
مدل‌های پردازش توالی
  جلسه 19: Word Embedding
84:56
  جلسه 20: RNNها
79:11
  جلسه 21: ادامه‌ی RNNها، LSTM
78:40
  جلسه 22: Encoder-Decoderها، Teacher Forcing و Beam Search
79:35
  جلسه 23: Attention
158:46

توضیحات دوره

یادگیری ماشین، واژه‌ای است که توسط آرتور ساموئل در سال ۱۹۵۹ ابداع شد. این فناوری شاخه‌ای از هوش مصنوعی و علوم رایانه است. این تکنولوژی در علوم داده دارای اهمیت بسیار زیادی است.

یادگیری ماشین هوشمند کردن رایانه‌هاست بدون اینکه مستقیماً به آنها یاد بدهیم چطور رفتار کنند. اما این اتفاق چطور می‌افتد؟ رایانه‌ها می‌توانند با استفاده از حجم عظیمی از داده، به طور خودکار الگوهایی تکرارشونده را بدون دخالت انسان یاد بگیرند. یادگیری این الگوریتم‌ها به تقلید از شیوه یادگیری انسان انجام می‌شود و با بیشتر شدن تجربه رایانه، به‌تدریج دقت آن بالاتر می‌رود.

این دوره مناسب چه کسانی است؟

دوره مقدمه‌ای بر یادگیری ماشین  از مجموعه دوره های آموزش هوش مصنوعی و آموزش ماشین لرنینگ مکتب خونه مناسب دانشجویان رشته مهندسی کامپیوتر و هوش مصنوعی و همه علاقه‌مندان به این دانش است و  دانشجویان با فراگیری آن می‌توانند مطالب را بیاموزند

این دوره در کدام دانشگاه ضبط شده است؟

این دوره در دانشکده مهندسی کامپیوتر و در ترم پاییز 1401 با تدریس دکتر شریفی زارچی و مهندس بهروز آذر خلیلی برگزار شده است

همچنین آدرس github درس عبارت است از:

https://github.com/asharifiz/Introduction_to_Machine_Learning

***این دوره درحال تکمیل است***

دیدگاه کاربران

4.4

بر اساس امتیاز 109 دانشجو

1
2
3
4
5

محمد ملک زاد

10 روز پیش

5

آموزش هوش مصنوعی واقعیییییییی

دانشجوی دوره

17 روز پیش

5

اصلا نیاز به تعریف نیست عالیه

فاطمه علی اکبریان

1 ماه پیش

5

واقعا با جان و دل تدریس میکنند. جاشون سبز و امیدوارم موفق باشند. باعث شدند من بعد از سالها به محیط آکادمیک برگردم.

سیده ستایش موسوی

1 ماه پیش

5

توضیحات ایشون برای درک مطالب بی نظیر هست.

محمدرضا رحیمی

1 ماه پیش

5

عالی

دانشجوی دوره

1 ماه پیش

5

تدریس ایشان بسیار شیرین و جذاب کرده است یادگیری.

10دوره
81,467دانشجو
1,009نظر و امتیاز

علی شریفی زارچی دانش‌آموخته کارشناسی و کارشناسی ارشد مهندسی کامپیوتر از دانشگاه صنعتی شریف و دکتری بیوانفورماتیک از دانشگاه تهران است.

وی دوره‌های پژوهشی و پسادکتری را در Max Planck Institute آلمان و Colorado State University آمریکا پشت سر گذاشته‌است.

او از سال ۱۳۹۵ به عنوان عضو هیأت علمی دانشکده‌ی مهندسی کامپیوتر دانشگاه صنعتی شریف مشغول به کار است.

زمینه‌های تحقیقاتی مورد علاقه ایشان به کارگیری الگوریتم و هوش مصنوعی در بیوانفورماتیک و تحلیل داده‌های زیست‌پزشکی است.

1دوره
24,528دانشجو
108نظر و امتیاز

جناب آذر خلیلی از اساتید دانشکده کامپیوتر دانشگاه صنعتی شریف است. علاقه‌مندی ایشان در زمینه‌ی ماشین لرنینگ و دیپ لرنینگ است. ایشان همزمان با دکتر مفرد و عسگری در دانشگاه برکلی مشغول به همکاری می‌باشند

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های علی شریفی زارچی

سوالات پرتکرار

آیا ممکن است برخی جلسات یک درس ناقص باشند؟

معمولا تمامی جلسات هر درس به‌طور کامل ضبط می‌شوند؛ اما گاهی به دلیل برخی ناهماهنگی‌ها ممکن است یک یا چند جلسه ضبط نشده باشد. جزئیات این موارد در توضیحات هر درس درج شده است.

اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟

در صورت مواجهه با هرگونه مشکل در دانلود یا پخش ویدئو، می‌توانید از طریق صفحه ارتباط با ما اطلاع دهید تا تیم پشتیبانی به‌سرعت مشکل را بررسی و رفع کند.

آیا می‌توان ویدئوهای یک درس را به‌صورت سی‌دی یا دی‌وی‌دی از شما تهیه کرد؟

در حال حاضر امکان ارسال دروس به‌صورت سی‌دی یا دی‌وی‌دی وجود ندارد و همه محتواها به شکل آنلاین ارائه می‌شوند.