درباره یادگیری ماشین بیشتر بدانید
یک دوره یادگیری ماشینی به شما فناوری و مفاهیم مربوط به متن پیشگویانه، دستیاران مجازی و هوش مصنوعی را می آموزد. شما می توانید مهارت های اساسی مورد نیاز برای پیشرفت در ساخت شبکه های عصبی و ایجاد توابع پیچیده تر را از طریق زبان های برنامه نویسی پایتون و R توسعه دهید. آموزش یادگیری ماشین به شما کمک می کند تا از روندها، فناوری ها و برنامه های جدید در این زمینه جلوتر بمانید.
مرتب سازی بر اساس :
مرتب سازی بر اساس
جدیدترین
پربازدیدترین
زمان دوره
زیرنویس فارسی
فیلترسازی
دوره ها
زیرنویس فارسی

Udemy

Vijay Gadhave
راهنمای آزمون کاردانی یادگیری ماشین گواهی شده DatabricksDatabricks Certified Machine Learning Associate Exam Guide 16:04:58
زیرنوس انگلیسی
۱۴۰۲/۰۸/۱۶
زیرنویس فارسی

Udemy

Mohammed Rijwan
ساخت و استقرار مدل یادگیری ماشین A - Z ( NLP )A to Z (NLP) Machine Learning Model building and Deployment. 4:56:00
زیرنوس انگلیسی
۱۴۰۲/۰۸/۱۴
کتاب ها
سوالات متداول در مورد یادگیری ماشین
یادگیری ماشینی سیستمهایی را توصیف میکند که با استفاده از یک مدل آموزشدیده بر روی دادههای دنیای واقعی، پیشبینی میکنند. به عنوان مثال، فرض کنید میخواهیم سیستمی بسازیم که بتواند تشخیص دهد که آیا گربه در تصویر است یا خیر. ما ابتدا تصاویر زیادی را برای آموزش مدل یادگیری ماشین خود جمع آوری می کنیم. در طول این مرحله آموزشی، تصاویر را به همراه اطلاعاتی در مورد اینکه آیا آنها حاوی گربه هستند یا خیر، به مدل میدهیم. در حین آموزش، مدل الگوهایی را در تصاویر می آموزد که بیشترین ارتباط را با گربه ها دارند. سپس این مدل میتواند از الگوهای آموختهشده در طول آموزش برای پیشبینی اینکه آیا تصاویر جدیدی که از آن تغذیه میشود حاوی یک گربه هستند استفاده کند. در این مثال خاص، ممکن است از یک شبکه عصبی برای یادگیری این الگوها استفاده کنیم، اما یادگیری ماشینی می تواند بسیار ساده تر از این باشد. حتی برازش یک خط به مجموعه ای از نقاط داده مشاهده شده و استفاده از آن خط برای پیش بینی های جدید،
امروزه یادگیری ماشین تقریباً در هر زمینه ای اعمال می شود. این شامل تشخیص های پزشکی، تشخیص چهره، پیش بینی آب و هوا، پردازش تصویر و موارد دیگر است. در هر موقعیتی که در آن تشخیص، پیشبینی و تحلیل الگو حیاتی است، یادگیری ماشین میتواند مفید باشد. یادگیری ماشینی اغلب زمانی که در صنایع و جایگاههای جدید به کار میرود، یک فناوری مخرب است. مهندسان یادگیری ماشین میتوانند راههای جدیدی برای اعمال فناوری یادگیری ماشین برای بهینهسازی و خودکارسازی فرآیندهای موجود بیابند. با داده های مناسب، می توانید از فناوری یادگیری ماشین برای شناسایی الگوهای بسیار پیچیده و پیش بینی های بسیار دقیق استفاده کنید.
استفاده از یادگیری ماشین بدون کدنویسی امکان پذیر است، اما ساختن سیستم های جدید عموماً به کد نیاز دارد. به عنوان مثال، سرویس Rekognition آمازون به شما امکان می دهد یک تصویر را از طریق یک مرورگر وب آپلود کنید، که سپس اشیاء را در تصویر شناسایی می کند. این از یک مدل از پیش آموزش دیده استفاده می کند، بدون نیاز به کدنویسی. با این حال، توسعه سیستمهای یادگیری ماشینی شامل نوشتن کدهای پایتون برای آموزش، تنظیم و استقرار مدلهای شما است. اجتناب از نوشتن کد برای پیش پردازش داده های وارد شده به مدل شما دشوار است. بیشتر کارهایی که توسط یک متخصص یادگیری ماشین انجام می شود شامل تمیز کردن داده های مورد استفاده برای آموزش ماشین است. آنها همچنین "مهندسی ویژگی" را برای یافتن اینکه از چه داده هایی استفاده کنند و چگونه آنها را برای استفاده در یک مدل یادگیری ماشین آماده کنند، انجام می دهند. ابزارهایی مانند AutoML و SageMaker تنظیم خودکار مدل ها را انجام می دهند. اغلب فقط چند خط کد می تواند یک مدل را آموزش دهد و از روی آن پیش بینی کند. درک مقدماتی پایتون شما را در استفاده از سیستم های یادگیری ماشین موثرتر می کند.
پایتون پرکاربردترین زبان در یادگیری ماشینی است. مهندسانی که سیستم های یادگیری ماشینی را می نویسند اغلب از نوت بوک های Jupyter و Python با هم استفاده می کنند. Jupyter Notebooks یک برنامه کاربردی وب است که با ایجاد و به اشتراک گذاری اسنادی که حاوی کدهای زنده، معادلات و موارد دیگر هستند، امکان آزمایش را فراهم می کند. یادگیری ماشینی شامل آزمون و خطا می شود تا ببینیم کدام ابرپارامترها و انتخاب های مهندسی ویژگی بهترین کار را دارند. داشتن یک محیط توسعه مانند پایتون مفید است تا قبل از اجرای هر بار نیازی به کامپایل و بسته بندی کد نداشته باشید. پایتون تنها انتخاب زبان برای یادگیری ماشینی نیست. Tensorflow یک چارچوب محبوب برای توسعه شبکه های عصبی است و یک API C++ ارائه می دهد. یک چارچوب یادگیری ماشین برای سی شارپ به نام ML.NET وجود دارد. اسکالا یا جاوا گاهی با آپاچی اسپارک برای ساختن سیستمهای یادگیری ماشینی که مجموعههای عظیم داده را دریافت میکنند، استفاده میشوند. ممکن است متوجه شوید که از زبان های مختلف زیادی در یادگیری ماشین استفاده می کنید، اما پایتون محل خوبی برای شروع است.
یادگیری ماشین به طور کلی بین یادگیری ماشین نظارت شده و یادگیری ماشین بدون نظارت تقسیم می شود. در یادگیری ماشینی تحت نظارت، ما مدلهای یادگیری ماشینی را روی دادههای برچسبدار آموزش میدهیم. به عنوان مثال، الگوریتمی که برای تشخیص هرزنامه است ممکن است هزاران آدرس ایمیل با برچسب "هرزنامه" یا "غیر هرزنامه" را وارد کند. آن مدل آموزشدیده میتواند ایمیلهای هرزنامه جدید را حتی از روی دادههایی که هرگز دیده نشده است شناسایی کند. در یادگیری بدون نظارت، یک مدل یادگیری ماشینی به دنبال الگوهایی در دادههای بدون ساختار میگردد. یکی از انواع یادگیری های بدون نظارت، خوشه بندی است. در این مثال، یک مدل میتواند فیلمهای مشابه را با مطالعه فیلمنامهها یا بازیگران آنها شناسایی کند، سپس فیلمها را با هم در ژانرها گروهبندی کند. این مدل بدون نظارت آموزش ندیده بود که بداند یک فیلم به کدام ژانر تعلق دارد. بلکه ژانرها را با مطالعه ویژگی های خود فیلم ها آموخت.
یادگیری ماشین یکی از سریعترین و پرطرفدارترین مشاغل علوم رایانه است. به طور مداوم در حال رشد و تکامل، می توانید یادگیری ماشینی را در صنایع مختلف، از حمل و نقل و تکمیل تا علوم پزشکی، اعمال کنید. مهندسان یادگیری ماشین برای ایجاد هوش مصنوعی کار می کنند که بتواند الگوها را بهتر شناسایی کند و مشکلات را حل کند. رشته یادگیری ماشینی اغلب با فناوری های پیشرفته و مخرب سر و کار دارد. با این حال، چون به یک انتخاب شغلی محبوب تبدیل شده است، می تواند رقابتی نیز باشد. مهندسان مشتاق یادگیری ماشین می توانند خود را از طریق گواهینامه ها، اردوهای راه انداز، ارسال مخزن کد و تجربه عملی از رقبا متمایز کنند.
یادگیری ماشینی زیرمجموعه کوچکتری از طیف وسیعتر هوش مصنوعی است. در حالی که هوش مصنوعی هر "ماشین هوشمند" را توصیف می کند که بتواند اطلاعات را استخراج کند و تصمیم بگیرد، یادگیری ماشین روشی را توصیف می کند که از طریق آن می تواند این کار را انجام دهد. از طریق یادگیری ماشین، برنامهها میتوانند دانش را بدون ارائه صریح کاربر به دست آورند. این یکی از اولین و اولین گام ها به سمت "هوش مصنوعی واقعی" است و برای کاربردهای عملی متعدد بسیار مفید است. در برنامههای یادگیری ماشین، هوش مصنوعی مجموعهای از اطلاعات را تغذیه میکند. از این مجموعه اطلاعات می آموزد که چه چیزی را باید انتظار داشت و چه چیزی را پیش بینی کرد. اما همچنان محدودیت هایی دارد. یک مهندس یادگیری ماشین باید اطمینان حاصل کند که هوش مصنوعی اطلاعات درستی دارد و می تواند از منطق آن برای تجزیه و تحلیل صحیح آن اطلاعات استفاده کند.