یادگیری ماشین بدون ریاضی و فرمول

یادگیری ماشین (Machine Learning) دیگر تنها یک موضوع دانشگاهی یا تخصصی برای پژوهشگران نیست؛ بلکه امروزه به یکی از ابزارهای مهم برای حل مسائل واقعی در صنعت، کسب‌وکار و تصمیم‌گیری هوشمند تبدیل شده است. پیش‌بینی رفتار مشتریان، تحلیل داده‌های فروش، شناسایی الگوها، بهینه‌سازی فرایندها، خودکارسازی تصمیم‌ها و توسعه محصولات هوشمند، تنها بخشی از کاربردهای یادگیری ماشین در دنیای امروز هستند.

بااین‌حال، بسیاری از آموزش‌های یادگیری ماشین بر فرمول‌های پیچیده، مباحث سنگین ریاضی یا پیاده‌سازی الگوریتم‌ها تمرکز دارند؛ درحالی‌که یکی از مهم‌ترین مهارت‌های موردنیاز در پروژه‌های واقعی، توانایی درک مسئله، شناخت داده‌ها، انتخاب راهبرد مناسب و تبدیل نیازهای کسب‌وکار به یک مسئله قابل‌حل با داده است.

دوره «یادگیری ماشین بدون ریاضی و فرمول» با رویکردی مسئله‌محور، پروژه‌محور و صنعتی طراحی شده است. در این دوره، بدون درگیرشدن با پیچیدگی‌های غیرضروری ریاضی و فرمول‌های سنگین، با منطق واقعی پشت پروژه‌های یادگیری ماشین آشنا می‌شوید و یاد می‌گیرید چگونه پیش از انتخاب مدل یا ابزار، مسئله را به‌درستی تحلیل و تعریف کنید.

هدف این دوره، آموزش حفظی الگوریتم‌ها نیست؛ بلکه تلاش می‌کند مدل ذهنی مناسبی برای مواجهه با مسائل واقعی در اختیار شما قرار دهد. در طول دوره با مفاهیمی مانند تعریف مسئله، شناخت و آماده‌سازی داده، انتخاب مدل، ارزیابی عملکرد، استقرار و پایش مدل و واقعیت‌های بازار کار یادگیری ماشین آشنا خواهید شد.

در این دوره چه می‌آموزیم؟

فصل اول: مهارت طلایی؛ ترجمه نیاز کارفرما به زبان داده

یکی از مهم‌ترین مهارت‌هایی که در بسیاری از آموزش‌های یادگیری ماشین نادیده گرفته می‌شود، توانایی تبدیل درخواست‌های کارفرما یا مشتری به یک مسئله دقیق و قابل‌حل است. در این فصل می‌آموزید:

• چگونه صحبت‌ها و درخواست‌های کارفرما یا مشتری را به زبان یک متخصص داده ترجمه کنید.
• نیاز واقعی پنهان در پشت درخواست‌ها را تشخیص دهید.
• مسئله‌ای دقیق، شفاف و قابل‌اندازه‌گیری تعریف کنید.
• جملات مبهم را به یک مسئله مشخص و قابل‌حل تبدیل کنید.

فصل دوم: تفکر مسئله‌محور در یادگیری ماشین

پیش از انتخاب الگوریتم یا ساخت مدل، باید بدانیم دقیقاً با چه مسئله‌ای روبه‌رو هستیم. در این فصل یاد می‌گیرید:

• مسائل واقعی را در قالب ورودی، خروجی و راهبرد حل مسئله تعریف کنید.
• پیش از شروع مدل‌سازی، یک مدل ذهنی درست بسازید.
• محدودیت‌ها، اهداف و معیارهای موفقیت پروژه را شناسایی کنید.
• مسئله را از نگاه داده، کسب‌وکار و امکان‌پذیری فنی بررسی کنید.

فصل سوم: مدل‌سازی شهودی، بدون فرمول و پیچیدگی

هدف این فصل، درک عمیق مفاهیم پایه مدل‌سازی با زبانی ساده و قابل‌فهم است. در این بخش با موضوعات زیر آشنا می‌شوید:

• درک شهودی مفاهیمی مانند سوگیری (Bias)، واریانس (Variance) و بیش‌برازش (Overfitting)
• شناخت تفاوت میان مدل‌های ساده و پیچیده
• بررسی اینکه چرا گاهی یک مدل ساده، عملکرد بهتری از مدل‌های پیچیده دارد.
• یادگیری مفاهیم اصلی یادگیری ماشین بدون ورود به فرمول‌های سنگین و کدنویسی، با استفاده از مثال‌های واقعی

فصل چهارم: پایپ‌لاین فکری یادگیری ماشین

در این فصل با یک چارچوب ثابت و قابل‌استفاده برای حل مسائل جدید آشنا می‌شوید. این چارچوب به شما کمک می‌کند:

• داده‌های موردنیاز برای حل مسئله را تشخیص دهید.
• خروجی مطلوب پروژه را به‌درستی تعریف کنید.
• محدودیت‌ها و ریسک‌های مسئله را شناسایی کنید.
• بهترین راهبرد را برای رسیدن به نتیجه انتخاب کنید.
• مراحل حل یک مسئله یادگیری ماشین را به‌صورت منظم و هدفمند پیش ببرید.

فصل پنجم: آنچه دوره‌های معمول نمی‌گویند، اما صنعت به آن نیاز دارد

میان آموزش آکادمیک یادگیری ماشین و نیازهای واقعی صنعت فاصله‌ای جدی وجود دارد. در این فصل به موضوعاتی پرداخته می‌شود که معمولاً در دوره‌های آموزشی کمتر موردتوجه قرار می‌گیرند:

• تفاوت آموزش دانشگاهی با نیازهای واقعی بازار کار
• شناخت شکاف میان آموزش یادگیری ماشین و اجرای پروژه‌های صنعتی
• بررسی اینکه چرا بخش بزرگی از کار، پس از آموزش مدل آغاز می‌شود.
• آشنایی با چالش‌های نگهداری و استفاده از مدل در شرایط واقعی

فصل ششم: انتخاب مدل مناسب برای دنیای واقعی

بهترین مدل، الزاماً پیچیده‌ترین مدل نیست. در این فصل می‌آموزید:

• چگونه چند مدل مناسب را به‌عنوان گزینه‌های اولیه انتخاب کنید.
• مدل‌ها را آموزش دهید و نتایج آن‌ها را مقایسه کنید.
• ارزیابی و اعتبارسنجی مدل‌ها را با نگاه حرفه‌ای انجام دهید.
• میان دقت، سرعت، هزینه، پیچیدگی و قابلیت استفاده از مدل تعادل برقرار کنید.
• تشخیص دهید که آیا مدل برای استفاده در دنیای واقعی مناسب است یا خیر.

فصل هفتم: پیش‌پردازش داده در پروژه‌های واقعی

داده‌های واقعی معمولاً ناقص، نویزی، اشتباه یا تکراری هستند. به همین دلیل، آماده‌سازی داده یکی از مهم‌ترین مراحل هر پروژه یادگیری ماشین محسوب می‌شود. در این فصل با موضوعات زیر آشنا خواهید شد:

• تفاوت پیش‌پردازش دانشگاهی و پیش‌پردازش صنعتی
• پاک‌سازی داده‌های ناقص، نویزی، اشتباه و تکراری
• آشنایی با استانداردسازی (Standardization) و نرمال‌سازی (Normalization)
• آشنایی با کدگذاری داده‌ها (Encoding) و مهندسی ویژگی‌ها (Feature Engineering)
• تشخیص داده‌های نامعتبر، خطرناک یا غیرقابل‌اعتماد
• آماده‌سازی داده‌ها برای استفاده در مدل‌های واقعی
• درک اینکه چرا پیش‌پردازش صحیح گاهی از انتخاب مدل اهمیت بیشتری دارد.

فصل هشتم: انتخاب معیار ارزیابی مناسب

استفاده از معیار ارزیابی نامناسب می‌تواند حتی با وجود یک مدل دقیق، به تصمیم‌گیری اشتباه منجر شود. در این فصل می‌آموزید:

• معیار ارزیابی را متناسب با نوع مسئله انتخاب کنید.
• تفاوت معیارهای ارزیابی در مسائل طبقه‌بندی، رگرسیون و خوشه‌بندی را درک کنید.
• موازنه‌هایی مانند دقت (Precision) و یادآوری (Recall) را بشناسید.
• نتایج مدل را متناسب با هدف کسب‌وکار تفسیر کنید.
• از تصمیم‌گیری بر اساس معیارهای گمراه‌کننده جلوگیری کنید.

فصل نهم: نگاه صنعتی و پروژه‌محور به یادگیری ماشین

ساخت یک مدل خوب، پایان پروژه یادگیری ماشین نیست. مدل باید در محیط واقعی اجرا شود، عملکرد پایداری داشته باشد و در طول زمان قابل‌کنترل باشد. در این فصل به‌صورت شهودی با مفاهیم زیر آشنا می‌شوید:

• استقرار مدل (Deployment)
• پایش عملکرد مدل (Monitoring)
• تشخیص رانش داده یا مدل (Drift Detection)
• بازآموزی مدل (Retraining)
• مقیاس‌پذیری (Scaling)
• اشکال‌زدایی (Debugging)

همچنین بررسی می‌کنیم که چرا یک مدل علاوه بر عملکرد مناسب، باید پایدار، قابل‌اعتماد و قابل نگهداری نیز باشد.

فصل دهم: بازار کار هوش مصنوعی در ایران و جهان

در این فصل، تصویری واقع‌بینانه‌تر از فرصت‌های شغلی حوزه هوش مصنوعی و یادگیری ماشین به دست می‌آورید. موضوعات این فصل عبارت‌اند از:

• آشنایی با روندهای مهمی مانند علم داده، MLOps، مدل‌های زبانی بزرگ و مهندسی هوش مصنوعی
• بررسی فرصت‌های شغلی مرتبط با داده و هوش مصنوعی در ایران
• شناخت مهارت‌هایی که کارفرمایان در پروژه‌های واقعی به دنبال آن‌ها هستند.
• آشنایی با مسیرهای شغلی مختلف، از تحلیل داده تا مهندسی مدل
• بررسی آینده شغلی و روند رشد بازار هوش مصنوعی در ایران، اروپا و آمریکا
• آشنایی با مهارت‌های مکمل موردنیاز برای ورود آگاهانه‌تر به بازار کار

فصل یازدهم: چالش‌های فعالیت در بازار ایران

اجرای پروژه‌های یادگیری ماشین در ایران با محدودیت‌ها و چالش‌های خاصی همراه است. در این فصل با واقعیت‌هایی آشنا می‌شوید که شناخت آن‌ها برای ورود حرفه‌ای به بازار ضروری است:

• نبود داده‌های تمیز و استاندارد در بسیاری از پروژه‌ها
• محدودیت زیرساخت برای اجرای مدل‌های بزرگ و پروژه‌های سنگین
• فاصله میان انتظار کارفرما و واقعیت فنی پروژه
• چالش‌های حقوقی، امنیتی و محدودیت دسترسی به برخی ابزارها
• راهکارهای ورود به بازار و ایجاد درآمد با وجود محدودیت‌های موجود

این دوره برای چه کسانی مناسب است؟

افرادی که می‌خواهند یادگیری ماشین را با رویکردی کاربردی و صنعتی بیاموزند.
دانشجویان و علاقه‌مندان حوزه‌های هوش مصنوعی، داده و تحلیل داده
افرادی که از آموزش‌های بیش‌ازحد تئوری و فرمول‌محور خسته شده‌اند.
کسانی که می‌خواهند بدون پیچیدگی‌های سنگین ریاضی، منطق واقعی یادگیری ماشین را درک کنند.
تحلیلگران داده، مدیران محصول و فعالان حوزه کسب‌وکار
مدیران و تصمیم‌گیرندگانی که می‌خواهند ظرفیت‌ها و محدودیت‌های یادگیری ماشین را بشناسند.
افرادی که می‌خواهند بدانند پروژه‌های واقعی یادگیری ماشین چگونه تعریف، اجرا و ارزیابی می‌شوند.
کسانی که قصد دارند مسیر شغلی خود را در حوزه‌های هوش مصنوعی، علم داده یا یادگیری ماشین آغاز کنند.

دستاوردهای دوره:

درخواست‌های مبهم کارفرما یا مشتری را به یک مسئله داده‌محور تبدیل کنید.
مسائل واقعی را به‌صورت دقیق، شفاف و قابل‌حل تعریف کنید.
ورودی، خروجی، محدودیت‌ها و راهبرد مناسب هر مسئله را مشخص کنید.
مفاهیم اصلی مدل‌سازی را به‌شکل شهودی و عمیق درک کنید.
تفاوت مدل‌های ساده و پیچیده را در عمل تشخیص دهید.
اهمیت پیش‌پردازش داده را در پروژه‌های واقعی درک کنید.
مدل‌های مختلف را با نگاهی حرفه‌ای‌تر ارزیابی و مقایسه کنید.
معیار ارزیابی مناسبی برای هر نوع مسئله انتخاب کنید.
با مراحل استقرار، پایش و بازآموزی مدل آشنا شوید.
تصویری واقع‌بینانه از بازار کار هوش مصنوعی در ایران و جهان به دست آورید.
برای ورود آگاهانه‌تر به مسیرهای شغلی هوش مصنوعی، علم داده و یادگیری ماشین آماده شوید.

ویژگی‌های دوره:

آموزش مفاهیم بدون ورود به ریاضیات و فرمول‌های پیچیده
بدون نیاز به کدنویسی
برخورداری از رویکرد صنعتی، مسئله‌محور و پروژه‌محور
تمرکز بر درک واقعی یادگیری ماشین، نه حفظ‌کردن الگوریتم‌ها
توجه به شکاف میان آموزش‌های رایج و نیازهای واقعی بازار کار
تمرکز بر تفکر تحلیلی و ساخت مدل ذهنی صحیح
استفاده از مثال‌های واقعی، ساده و قابل‌درک
ارائه کامل دوره به‌صورت آفلاین

پیش‌نیازهای دوره:

برای شرکت در این دوره به دانش قبلی عمیق در زمینه ریاضیات، برنامه‌نویسی یا یادگیری ماشین نیاز ندارید. تمامی مفاهیم از پایه، با زبانی ساده و رویکردی قابل‌فهم آموزش داده می‌شوند.

داشتن علاقه به حل مسئله، تحلیل داده و شناخت کاربردهای هوش مصنوعی برای شروع این دوره کافی است.

درباره مدرس:

دکتر محمد دهقانی 

موسس مجموعه دیتاهاب و مدیرعامل شرکت هوشمند پرداز صفاهان (مستقر در شهرک علمی تحقیقاتی)