دوره مقدماتی یادگیری ماشین
دربارۀ دوره:
امروزه کمتر کسی است که دستکم نام یادگیری ماشین را نشنیده باشد و یا به طور روزانه در کارها و دستگاههای مورد استفادهٔ خود آن را به نحوی به کار نبرد. با افزایش روزافزون اهمیت دادهها و از سوی دیگر، مشاهدهٔ نقش برجستهٔ هوش مصنوعی در زندگی انسانها، استفاده از ابزار قدرتمند یادگیری ماشین اهمیت ویژهای دارد و حتی در پژوهشهای امروزی و صنعت به امری اجتنابناپذیر تبدیل شده است. این امر برای دانشگران علوم داده و یادگیری ماشین مزیتهای ویژهای به ارمغان میآورد.در این دوره، ابتدا از مفهوم یادگیری در ادبیات ماشینها شروع میکنیم، سپس با پایههای اصلی در رویکردهای مختلف در این نوع از برنامهنویسی پیش میرویم. در طول دوره، شما شیوهٔ نوشتن برنامههای مختلف برای تحلیل انواع دادههای دنیای واقعی را فرا میگیرید و در پایان میتوانید یک شبکهٔ عصبی را از پایه بسازید و آموزش دهید.
- پیشنیازاین دوره علم داده مقدماتی در پایتون است. مخاطبان این دوره همه دانشجویان و پژوهشگران رشتههای مختلف علمی و فنی (فیزیک، شیمی، زیستشناسی، نوروساینس، ریاضی، علوم کامپیوتر، مهندسی برق، مهندس مکانیک، مهندسی صنایع و غیره) هستند که نیازمند و علاقمند به یادگیری استفاده از روشهای یادگیری ماشین برای استفاده در رشته فعلی یا آینده خود هستند. دانشآموزان پیشرفتهٔ دبیرستانی نیز میتوانند در این دوره شرکت کنند.
- از آنجا که یادگیری مهارتهای دادهکاوی مانند بسیاری از مهارتهای دیگر، بدون انجام تمرینهای مناسب و مستمر امکانپذیر نیست، این دوره شامل مجموعه ای متنوع و هدفمند از خودآزماییها و تمرینهاست که برای یادگیری عملی و تثبیت مهارتهای اساسی دادهکاوی با پایتون طراحی شده است. لازم به ذکر است که بخشی از درسها و آموزشهای دوره در این تمرینها گنجانده شده است تا شرکتکنندگان بتوانند یادگیری فعال (active learning) داشته باشند.
- دانشیاران و همیاران این دوره در تمام مراحل یادگیری در کنار شما خواهند بود تا شما را به نحو مطلوب در مسیر یادگیریتان هدایت کنند. ارتباط با دانشیاران و همیاران دوره و شرکتکنندگان دیگر از طریق انجمن (فروم) دوره انجام میگیرد.
- پس از گذراندن دوره و انجام تمرینها، گواهینامهٔ شرکت در دوره را به زبان انگلیسی دریافت خواهید کرد.
-
نکات مهم
-
جلسه اول: ورود به دنیای یادگیری ماشین
- خوشآمدگویی و معرفی ابزارهای مفید
- تعریف مدل و رگرسیون خطی
- مدل در رگرسیون منطقی
- مدل خطی در کاربرد، کار با دادههای پیوسته و ساختن مدل
- مدل خطی در کاربرد، محکزدن مدل
- مدل منطقی در کاربرد، دادههای طبقهبندی شده
- مدل منطقی در کاربرد، دستهبندی دادهها و معیارهای بررسی
- تمارین مطالب پیشنیاز
- پرسش و پاسخ و رفع اشکال اول
-
جلسه دوم: بهبود عملکرد ماشینها
-
جلسه سوم: روشهای متفاوت در یادگیری
-
جلسه چهارم: آشنایی با شبکههای عصبی
-
جلسه پنجم: رفع اشکال نهایی
-
نظرسنجی و گواهی