دورهٔ مقدماتی یادگیری ماشین

درباره این دوره

یادگیری ماشین علمی است که به کامپیوترها این قابلیت را می‌دهد که بدون اینکه به طور صریح برنامه‌ریزی شده باشند وظایفی را انجام دهند. در دههٔ گذشته، یادگیری ماشین به اتومبیل‌های خودران، تشخیص گفتار، جستجوی موثر در وب و بسیاری از حوزه‌های متنوع صنعت و علم گسترش داده شده است. امروزه یادگیری ماشین چنان فراگیر شده است که احتمالاً بدون اینکه بدانید ده‌ها بار در روز از آن استفاده می‌کنید. در این کلاس، شما با موثرترین تکنیک‌های یادگیری ماشین اشراف پیدا خواهید کرد. از همه مهم‌تر شما نه تنها مبانی نظریِ یادگیری را یاد خواهید گرفت، بلکه می‌توانید دانش عملی لازم برای استفاده سریع و قدرتمندانه از این تکنیک‌ها را برای مشکلات جدید کسب کنید.

i. Supervised learning (parametric/non-parametric algorithms, support vector machines, neural networks)
ii. Unsupervised learning (clustering, dimensionality reduction, recommender systems)
iii. Best practices in machine learning (bias/variance theory; evaluation of trained models)

مهارت هایی که کسب خواهید کرد

Logistic Regression
Artificial Neural Network
Machine Learning (ML) Algorithms
Machine Learning

مدرسان

Mohammad H. Zhoolideh
Supervisor & Instructor
Data scientist & Postdoctoral researcher, IPM, SoA

Javad Ebadi
Instructor
Data scientist at Middle East Bank

برنامه درسی - آنچه از این دوره خواهید آموخت

هفته ی اول:

1. مقدمه : ما ایده اصلی آموزش به کامپیوتر با استفاده از داده و بدون اینکه به طور صریح برنامه ریزی شده باشد را معرفی می کنیم. همچنین به کاربردها و تعریف یادگیری ماشین خواهیم پرداخت
2. رگرسیون خطی با یک متغیر: رگرسیون خطی بر اساس مقدار ورودی ، یک خروجی با مقدار واقعی را پیش بینی می کند. ما در مورد کاربرد رگرسیون خطی در پیش بینی قیمت مسکن بحث می کنیم ، مفهوم یک تابع هزینه را ارائه می دهیم ، و روش نزول گرادیان را برای یادگیری معرفی می کنیم.
3. رگرسیون خطی با چند متغیر: اگر داده ورودی بیش از یک مقدار داشته باشد چه می کنید؟ در این ماژول ، ما نشان می دهیم که چگونه می توان رگرسیون خطی را گسترش داد تا چندین ویژگی ورودی را در خود جای دهد. ما همچنین درباره بهترین روشها برای اجرای رگرسیون خطی بحث می کنیم.

 هفتهٔ دوم:

1. رگرسیون لگاریتمی: رگرسیون لگاریتمی روشی برای طبقه بندی داده ها به نتایج گسسته است. به عنوان مثال ، ممکن است از رگرسیون لگاریتمی برای طبقه بندی ایمیل و هرزنامه استفاده کنیم. در این ماژول ، مفهوم طبقه بندی، تابع هزینه برای رگرسیون لگاریتمی و کاربرد آن را معرفی می کنیم.
2. رگولریزیشن: مدلهای یادگیری ماشین باید به خوبی به مثالهای جدید و دیده نشده تعمیم داده شوند. در این ماژول، ما روشی را معرفی می کنیم، که کمک می کند تا از اوورفیت شدن مدل ها جلوگیری کنیم.
3. شبکه عصبی: شبکه ی عصبی مدلی است که در آن از نحوه کار مغز الهام گرفته شده است. امروزه به طور گسترده ای در بسیاری از برنامه ها مورد استفاده قرار می گیرد: هنگامی که تلفن شما دستورات صوتی شما را تفسیر و درک می کند، به احتمال زیاد یک شبکه عصبی به درک گفتار شما کمک می کند. در این قسمت از دوره ی آموزشی، با مفاهیم اولیه ی شبکه ی عصبی آشنا خواهید شد.

 هفتهٔ  سوم:

1. نکاتی برای استفاده از یادگیری ماشین: استفاده از یادگیری ماشین در عمل همیشه ساده نیست. در این ماژول ، ما بهترین شیوه ها را برای استفاده از یادگیری ماشین در عمل به اشتراک می گذاریم و در مورد روش هایی برای ارزیابی عملکرد مدل های آموخته شده بحث می کنیم.
2. طراحی سیستم یادگیری ماشین: برای بهینه سازی الگوریتم یادگیری ماشین، ابتدا باید درک کنید که بزرگترین پیشرفت ها در کجا قابل انجام است. در این ماژول، ما در مورد ارزیابی عملکرد سیستم یادگیری ماشین و همچنین نحوه برخورد با داده های با توزیع آماری غیر متعارف بحث می کنیم.
3. :Support Vector Machine این الگوریتم یک الگوریتم یادگیری ماشین برای دسته بندی است. ما ایده و شهودهای پشت SVM را معرفی می کنیم و در مورد نحوه استفاده از آن در عمل بحث می کنیم.

 هفتهٔ چهارم:

1. یادگیری بدون نظارت: ما از یادگیری بدون نظارت برای ساخت مدل هایی استفاده می کنیم که به ما کمک می کند داده های خود را بهتر درک کنیم. ما در مورد الگوریتم k-Means برای خوشه بندی بحث می کنیم که به ما امکان می دهد گروه بندی داده بدون برچسب را یاد بگیریم.
2. کاهش ابعاد: در این ماژول ، ما روش تحلیل اجزای اصلی (PCA) را معرفی می کنیم و نشان می دهیم که چگونه می توان از آن برای فشرده سازی داده ها برای سرعت بخشیدن به الگوریتم های یادگیری و همچنین تجسم مجموعه های داده پیچیده استفاده کرد.
3. یادگیری ماشین بزرگ مقیاس: یادگیری ماشین وقتی بهترین کارایی را دارد که داده های فراوانی برای استفاده وجود داشته باشد. در این ماژول، ما در مورد چگونگی استفاده از الگوریتم های یادگیری ماشین با مجموعه داده های بزرگ بحث می کنیم.

زمان برگزاری:

20 اسفند 1399 لغایت 20 فروردین 1400 شنبه، دوشنبه، چهارشنبه هر هفته ساعت 17-16

هزینه ثبت نام:

400 هزار تومان

نحوه ثبت نام:

مهلت ثبت‌نام پایان یافت.