توضیحات
آموزش یادگیری ماشین
- اگر در چند سال اخیر به طور مرتب اخبار فناوری را دنبال کرده باشید، به احتمال زیاد واژههایی مانند هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق به گوشتان خورده است.
آموزش یادگیری ماشین
-
غولهای فناوری اطلاعات از قبیل گوگل، فیسبوک، لینکدین، آمازون و نتفلیکس که به تعداد زیادی کاربر سرویس میدهند، از یادگیری ماشینی استفاده میکنند.
-
داده ها در اعماق زندگی روزانه ما ریشه دوانده اند، از خرید روزانه تا انتخاب مدرسه و پزشک و مسافرت های ما امروزه داده محور شده اند. این امر نیاز به الگوریتم ها وروشهای هوشمند پردازش داده و یادگیری ماشین را صد چندان کرده است .سایت مهندسی داده در جهت گسترش و تعمیق دانش داده در کشور، بر آن شده است
- در این پکیج آموزشی بر آن هستیم که یادگیری ماشینی (Machine Learning) را به زبانی ساده و روان به شما معرفی کنیم و کاربردهای آن را با ذکر چند مثال بیان داریم.
آموزش یادگیری ماشین
- یادگیری ماشین یکی از مباحث داغ روز است. با وجود مطرح شدن این مبحث برای سالهای مدید، به دلیل قابلیتهای خارقالعاده آن که هر روز بیش از پیش کشف میشود، همچنان در مرکز توجهات قرار دارد. با وجود حجم بالای علاقمندان به این علم، ولیکن آموزشهایی که در آن مفاهیم به صورت ساده ولی همراه با مثالهای کاربردی تشریح شده باشند کمتر است.
-
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش
۲۳ ساعت فیلم آموزشی با عناوین زیر
درس یکم: کلیات و مفاهیم پایه در یادگیری ماشین
تعاریف، ضرورت ها و دامنه کاربرد
یادگیری تحت نظارت (Supervised Learning)
یادگیری بدون نظارت (Unsupervised Learning)
بیان مفهومی تکنیک های پایه در یادگیری ماشین
رده بندی (Classification)
خوشه بندی (Clustering)
درس دوم: مرور روش های کلاسیک در یادگیری ماشین
یادگیری مفهوم (Concept Learning)
یادگیری مبتنی بر نمونه ها (Instance-based Learning)
یادگیری مبتنی بر قواعد (Rule-based Learning)
یادگیری مبتنی بر نظریه احتمال (Bayesian Learning)
درخت تصمیم (Decision Tree)
تکنیک های انتخاب ویژگی
الگوریتم ID3
الگوریتم C4.5
معرفی کلی روش های یادگیری مبتنی بر حسابگری زیستی
الگوریتم ژنتیک (Genetic Algorithms)
شبکه های عصبی مصنوعی (Artificial Neural Networks)
ترکیب رده بندی کننده ها (Combining Classifiers)
روش Ensemble Averaging
روش Bagging
روش Boosting
روش AdaBoost
روش های دینامیک: Mixtures of Experts
خوشه بندی (Clustering)
تکنیک های محاسبه فاصله بین انواع ویژگی ها
روش خوشه بندی K – Means
روش خوشه بندی K – Medoids
روش های خوشه بندی سلسله مراتبی (Hierarchical)
شاخص های ارزیابی فرایند خوشه بندی
ارزیابی فرضیه ها (Hypotheses Evaluation)
درس سوم: یادگیری تقویتی – Reinforcement Learning
معرفی مفاهیم پایه:
عامل (Agent)
کنش (Action)
محیط (Environment)
پاداش و تنبیه
سیاست (Policy)
جستجو (Exploration)
بهره برداری از تجربه (Exploitation)
روش های انتخاب کنش
روش Softmax
روش Reinforcement Comparison
روش های Pursuit
مساله یادگیری تقویتی
ویژگی مارکوف (Markov property)
فرایند تصمیم مارکوف (Markov Decision Process)
معادلات Bellman
روش برنامه ریزی پویا (Dynamic Programming)
ارزیابی سیاست (Policy Evaluation)
بهبود سیاست (Policy Improvement)
روش های یادگیری Monte Carlo
روش On – policy
روش Off – policy
روش های یادگیری تفاوت زمانی (Temporal Difference)
روش SARSA
روش Q-Learning
روش های Eligibility Traces
کاربرد روش های یادگیری تقویتی در محیط های مشاهده پذیر جزیی مارکوف Partially Observable Markov Decision Processes – POMDP
روش های یادگیری تعاملی
روش یادگیری تعاملی Q – Learning
روش یادگیری مبتنی بر خبرگی
نمونه هایی از کاربردهای یادگیری تقویتی در حل مسائل در دنیای واقعی
تهیه مدل مارکوف برای مساله مسیریابی ایمیل های ارسالی در شبکه ای از سرورها
طراحی خزش گر کانونی برای جمع آوری اطلاعات وب بر اساس روش یادگیری تقویتی
طراحی روش های رتبه بندی مبتنی بر یادگیری در جویشگرهای وب
معرفی MDP Toolbox برای پیاده سازی روش های یادگیری تقویتی در محیط MATLAB
مفید برای رشته های
مهندسی کامپیوتر
علوم کامپیوتر
مهندسی فناوری اطلاعات (IT)