دانلود پکیج ویدیوئی آموزش یادگیری ماشین

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)