آموزش یادگیری ماشین از صفر — یادگیری سریع و آسان

بسته آموزش یادگیری ماشین به زبان ساده به کلیات و تعریف یادگیری ماشین می‌پردازد. این بسته هم مستقل قابل استفاده است و هم در واقع اولین گام (اولین فصل) از یک مجموعه آموزش یادگیری ماشین است. کم کم فصل‌های بعدی هم منتشر می‌شود که مفاهیم گفته شده را اجرا و کدنویسی می‌کنیم. ما در این فصل ابتدا به هوش مصنوعی و تاریخچه شکل‌گیری هوش مصنوعی می‌پردازیم. در ادامه مسیر به تعریف یادگیری ماشین به همراه کاربردهای آن و معرفی انواع سیستم‌های یادگیری ماشین پرداخته خواهد شد. در نهایت چالش‌های اصلی که بر سر راه یادگیری ماشین قرار می‌گیرد و ارزیابی مدل بررسی می‌شود.

اگر علاقه‌مند به دنیای یادگیری ماشین و کاملا مبتدی هستید این بسته به شما توصیه می‌شود. از صفر به صورت اصولی وارد حوزه هوش مصنوعی و یادگیری ماشین خواهید شد.

پیش از این آموزش Streamlit در هم‌رویش منتشر شد. برای دیدن فیلم معرفی این آموزش بر روی این لینک (+) و یا پخش کننده پایین کلیک کنید:

برای دریافت بسته آموزشی بر روی لینک زیر کلیک کنید:

آموزش Streamlit —- ساخت وب اپلیکیشن هوش مصنوعی با پایتون

اهمیت این فصل

این فصل برای شما چندین دستاورد دارد:

1- با تعریف هوش مصنوعی و تاریخچه آن آشنا خواهید شد.

2- یادگیری ماشین را به زبان ساده و مفهومی خواهید آموخت.

3- کاربردهای یادگیری ماشین و انواع سیستم‌های یادگیری ماشین را می‌توانید بیاموزید.

4- در مورد چالش‌های اصلی یادگیری ماشین آگاهی پیدا خواهید کرد.

5- در نهایت می‌توانید مدل خود را ارزیابی کنید.

این فصل در یک نگاه

در آغاز این فصل به تعریف هوش مصنوعی و تاریخچه کلی از هوش مصنوعی پرداخته خواهد شد. سپس تاریخچه یادگیری ماشین و تعریف یادگیری ماشین بررسی می‌شود. درک خواهید کرد که یادگیری ماشین چه بخشی از هوش مصنوعی را شامل می‌شود. بعد به سراغ کاربردهای یادگیری ماشین خواهیم رفت.

در ادامه انواع سیستم‌های یادگیری ماشین را در سه قسمت بررسی خواهیم کرد. انواع سیستم‌های یادگیری بانظارت (Supervised Learning) ، بدون نظارت (Unsupervised Learning)، تقویتی (Reinforced Learning) بررسی خواهند شد. همچنین با مفهوم یادگیری دسته‌ای (Batch) و آنلاین (Online) نیز آشنا خواهید شد.

در بخش پایانی این بسته، در مورد اینکه چه چالش‌های اصلی ممکن است بر سر راه سیستم‌های یادگیری ماشین به وجود آید به صورت جامع پرداخته می‌شود. در نهایت ارزیابی مدل بررسی و در گام آخر نیز جمع‌ بندی از کل دوره انجام می‌شود.

آموزه‌های اصلی

• آشنایی با انواع سیستم‌های یادگیری ماشین
• آشنایی با کاربردهای یادگیری ماشین
• آگاهی از چالش‌های اصلی یادگیری ماشین

پیش نمایش‌ها

یادگیری ماشین چیست؟ (درس سوم): برای دیدن این قسمت از آموزش بر روی این لینک (+) یا پخش کننده پایین کلیک کنید:

کاربرد یادگیری ماشین (درس چهارم): برای دیدن این قسمت از آموزش بر روی این لینک (+) یا پخش کننده پایین کلیک کنید:

هوش مصنوعی چیست؟ (درس اول): برای دیدن این قسمت از آموزش بر روی این لینک (+) یا پخش کننده پایین کلیک کنید:

پیشنیاز

• این فصل پیش نیازی ندارد.
• تماشای آموزش برنامه نویسی پایتون جهت آمادگی برای فصل‌های آینده این دوره

این آموزش بی نظیر است زیرا:

• در یک گام با مفهوم هوش مصنوعی و تاریخچه آن آشنا خواهید شد.
• تاریخچه و تعریف و کاربردهای یادگیری ماشین را فراخواهید گرفت.
• در مدت زمان کوتاهی با انواع سیستم‌های یادگیری ماشین آشنا خواهید شد.
• به زبان ساده و روان چالش‌های اصلی یادگیری ماشین بررسی خواهد شد.
• و در مدت زمان کوتاه و به زبان ساده و ارزیابی مدل پرداخته خواهد شد.

کلیدواژگان

صفر تا صد یادگیری ماشین | فیلم آموزش یادگیری ماشین | کلیپ آموزشی یادگیری ماشین | فیلم های آموزشی یادگیری ماشین | آموزش مقدماتی یادگیری ماشین | آموزش ابتدایی یادگیری ماشین | یادگیری ماشین از صفر | آموزش یادگیری ماشین به زبان ساده

ریز محتوای فیلم‌ها

درس ۰: یادگیری ماشین از صفر

• مروری به آموزش
• پیشنیاز آموزش
• مرجع آموزش
• ادامه مسیر

درس ۱: هوش مصنوعی چیست؟

• تعریف هوش مصنوعی
• معیار هوش
• آزمون تورینگ
• روش های آزمودن هوش یک هوش مصنوعی
• انواع هوش مصنوعی

درس ۲: تاریخچه هوش مصنوعی

• آغاز هوش مصنوعی (1965-1943)
• شوق زود هنگام و انتظار های اولیه (1969-1952)
• دیدگاه واقع گرایانه (1973-1966)
• سیستم های خبره (1986-1969)
• شبکه های عصبی (1986 تا کنون )
• استدلال های احتمالی و یادگیری ماشین (1987 تاکنون )
• یادگیری عمیق (2011 تاکنون )

درس ۳: یادگیری ماشین چیست؟

• تاریخچه یادگیری ماشین
• تعریف یادگیری ماشین
• تفاوت یادگیری ماشین و یادگیری عمیق

درس ۴: کاربرد های یادگیری ماشین

• چرا از یادگیری ماشین استفاده می شود؟
• کاربردهای یادگیری ماشین

درس ۵: قسمت اول از انواع سیستم های یادگیری ماشین

• یادگیری بانظارت (supervised learning)
• معروف ترین الگوریتم های یادگیری باظارت
• یادگیری بدون نظارت (unsupervised learning)
• معروف ترین الگوریتم های بدون نظارت
• یادگیری نیمه نظارتlearning) (semisupervised
• یادگیری تقویتی (Reinforcement Learning)

درس ۶: قسمت دوم از انواع سیستم های یادگیری ماشین

• یادگیری دسته ای آفلاین (Batch)
• مزیت روش یادگیری آفلاین
• معایب روش یادگیری آفلاین
• یادگیری برخط آنلاین(online)
• مزیت های روش یادگیری آنلاین
• معایب روش یادگیری آنلاین
• نرخ یادگیری(Learning rate) چیست؟

درس ۷:  قسمت سوم از انواع سیستم های یادگیری ماشین

• یادگیری مبتنی بر نمونه (Instance-based learning)
• یادگیری مبتنی بر مدل (Model-based learning)

درس ۸:  چالش های اصلی یادگیری ماشین

• داده های بد (bad data)
• تعداد کم داده های آموزشی(Insufficient Quantity of Training Data)
• داده های آموزشی غیرنماینده (Nonrepresentative Training Data)
• نمونه های خیلی کوچک (نویز نمونه گیری (sampling noise))
• سو گیری نمونه گیری (sampling bias)
• سوگیری بدون پاسخ (Nonrepresentative)
• داده های با کیفیت پایین (Poor-Quality Data)
• ویژگی های بی ربط (Irrelevant Features)
• مهندسی ویژگی ( Engineering Feature )
• مراحل مهندسی ویژگی
• انتخاب ویژگی (Feature selection)
• استخراج ویژگی (Feature extraction)
• الگوریتم های بد (bad algorithm)
• تطبیق بیش از حد داده های آموزشی (بیش‌برازش )(Overfitting)
• عدم تناسب داده های آموزشی (کم‌برازش) (Underfitting)
• معایب (بیش‌برازش )(Overfitting)
• راه حل های برطرف کردن مشکل بیش‌برازش
• منظم سازی (Regularization)
• تفاوت پارامتر و هایپر پارامتر
• معایب کم برازش (Underfitting)
• راه‌حل‌های برطرف کردن مشکل کم‌ برازش

درس ۹: ارزیابی مدل

• روش های ارزیابی مدل
• Validation Cross
• k-fold cross validation
• hold out cross validation
• تنظیم هایپر پارامتر و انتخاب مدل
• عدم تطابق دادها
• هیچ ناهار مجانی وجود ندارد

درس ۱۰:  جمع بندی و تمرین