×
ribbon

آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ

یادگیری تحت نظارت یا یادگیری با نظارت مهم ترین و پرمخاطب ترین شاخه از یادگیری ماشین است. معمولا... بیشتر
پرطرفدار
زیرنویس
4.6 (36 امتیاز)
3,258دانشجو
مقدماتی
مشخصات دوره
محتوای دوره
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

محتوای دوره

3 فصل41 جلسه5 ساعت ویدیو
فصل اول: مقدمه‌ای بر یادگیری ماشین
  پیشگفتار
مشاهده
"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
فصل سوم: دسته‌بندی (Classification)

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.

توضیحات 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

اطلاعات بیشتر

امتیاز و نظرات کاربران

4.6

از مجموع 36 امتیاز

11نظر

2 ماه پیش

دوره بسیار مفیدی بود. تدریس Andrew به گونه ایست که مفاهیم حتی کمی پیچیده را به سادگی انتقال می دهد. گذراندن این دوره را پیشنهاد میکنم.

آیدا مکاریان

3 ماه پیش

یکی از دوره‌های خوب دکتر Andrew Ng، تدریس روان با مثال‌های قبابل فهم خوبی ارائه شد. پیشنهاد می‌کنم برای یادگیری مقدماتی و درک یادگیری ماشین این دوره‌ی خوب رو از دست ندید.

دانیال شاه‌ولی

4 ماه پیش

مفید بود

دانشجوی دوره

2 سال پیش

لطفا فایل های همراه آموزش را هم آپلود بفرمایی تشکر

سعید ساربانی

2 سال پیش

دوره بسیار کاربردی بود کاش دسترسی به آزمایشگاه ها و کد های دوره هم امکان پذیر می شد.

پویا خوش کلامیان

2 سال پیش

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؟

مهیار منتظری

3 سال پیش

سلام وقت بخیر به شدت دوره مناسبی برای شروع مفاهیم می‌باشد و تمام مباحث ریاضی رو کامل توضیح میدهند برای شروع عالی

سینا خسروی

3 روز پیش

روندی ساده توضیحات مناسب

دانشجوی دوره

1 روز پیش

Good

ابوالفضل یوسفی

1 سال پیش

سلام وقتتون بخیر زیرنویس دوره فقط به صورت آنلاین قابل مشاهده است؟ بعد دانلود ویدیو زیرنویس مشاهده نمی شود

مسعود جعفری اشیانی

1 سال پیش

به نظرم باید کدها و آزمایشگاه ها شامل دوره میشد،کسی که بخواد پروژه ای کار کنه باید بشینه همه کدهارو خودش از اول بنویسه

زینب بیات

گواهی‌نامه

آموزش الگوریتم‌های نظارت‌شده در ماشین‌لرنینگ

پس از گذراندن محتوای دوره به صورت آنلاین (بدون دانلود) در سایت مکتب‌خونه، در صورتی‌ که حد نصاب قبولی در دوره را کسب و تمرین ها و پروژه های الزامی را ارسال کنید، گواهی‌نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

قابل اشتراک‌گذاری در

linkdin

دوره‌های پیشنهادی مشابه

درباره استاد

Andrew Ng
20دوره
31,930دانشجو

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.

اطلاعات بیشتر

دیگر دوره‌های Andrew Ng

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.