دوره اصول ML و AI: از شهود تا پیاده‌سازی

آنچه یاد خواهید گرفت: درک ریاضیات پایه و برنامه‌نویسی مورد استفاده برای ساخت پروژه‌ها در AI و ML به‌دست آوردن درکی عملی از مفاهیم پایه و پیشرفته ML یادگیری ساخت پروژه‌های عملی AI و ML از ابتدا تکمیل آمادگی مصاحبه برای نقش‌های مبتنی بر AI با نمایش مؤثر پروژه‌ها در رزومه و آمادگی برای پرسش‌های متداول درباره پروژه‌های ساخته‌ شده توضیح مفاهیم ML در مصاحبه‌ها با اطمینان ساخت و اشکال‌زدایی مدل‌ها به‌صورت مستقل فراتر رفتن از ML جعبه‌ سیاه انتخاب مدل مناسب برای مسئله مناسب پیش‌نیازهای دوره آشنایی پایه با Python یا تمایل به یادگیری سریع Python در حین دوره ریاضیات پایه دبیرستان مانند ضرب ماتریس‌ها و عملیات‌های برداری توضیحات دوره این دوره با ترکیب شهود روشن، ریاضیات قوی و پیاده‌سازی عملی، پایه‌ای قوی در ML می‌سازد. شما فقط از کتابخانه‌های ML استفاده نخواهید کرد، بلکه یاد می‌گیرید مدل‌ها درون خود چگونه کار می‌کنند، چرا کار می‌کنند و چه زمانی شکست می‌خورند. پس از تکمیل دوره، شما: فراتر از ML جعبه‌ سیاه فکر خواهید کرد. مفاهیم ML را با اطمینان در مصاحبه‌ها توضیح خواهید داد. مدل‌ها را خودتان می‌سازید و اشکال‌زدایی می‌کنید. مدل مناسب را برای مسئله مناسب انتخاب می‌کنید. به‌ طور خلاصه: از دنبال‌ کردن آموزش‌ها تا درک واقعی ML این دوره برای افراد زیر ایده‌آل است: دانشجویان و تازه‌کارهایی که هدفشان نقش‌های داده و ML است. متخصصان نرم‌افزار که به سمت ML تغییر مسیر می‌دهند. کسی که «کمی ML» می‌داند اما اعتمادبه‌نفس کافی ندارد. این دوره به شما کمک می‌کند با ساخت عمق واقعی در ML، نه فقط دانش سطحی، مسیر شغلی خود را ارتقا دهید. آنچه پوشش داده می‌شود؟ اصول ریاضی برای ML (از پایه تا پیشرفته) مدل‌های اصلی: رگرسیون خطی و لجستیک، درخت‌های تصمیم، شبکه‌های عصبی روش‌های گروهی: Bagging و Boosting، جنگل تصادفی Optimizers، منظم‌سازی، بیش‌برازش و توازن بایاس-واریانس یادگیری عملی طبقه‌بندی امتیاز فیلم‌ها (Kaggle + GPUها) پیاده‌سازی شبکه عصبی از ابتدا طبقه‌بندی ژانر موسیقی با استفاده از MFCC + شبکه‌های عصبی جلسه آمادگی مصاحبه برای همه موضوعات پوشش‌ داده‌ شده در یک جمله، این یک دوره عملی و مفهومی ML است که یادگیرندگان را به مهندسان ML بااعتمادبه‌نفس تبدیل می‌کند. سرفصل تفصیلی دوره: بخش 1: بررسی معرفی مدرس و دوره چرا دانش ریاضیات پایه برای شهود در AI و ML حیاتی است؟ مواردی که در طول دوره یاد خواهیم گرفت؟ بخش 2: احتمال و آمار احتمال و آمار میانگین، میانه و مد محاسبه مقدار مورد انتظار واریانس و کوواریانس توزیع نرمال قضیه حد مرکزی احتمال شرطی قضیه بیز برآورد بیشینه درست‌نمایی بخش 3: جبر خطی مروری بر جبر خطی اسکالر، بردارها، ماتریس و تانسورها عملیات‌های ماتریسی رتبه و وابستگی خطی بردارهای ویژه و مقادیر ویژه تحلیل مؤلفه‌های اصلی بخش 4: حسابان مروری بر حسابان مشتق‌ها و گرادیان‌ها الگوریتم گرادیان کاهشی قاعده زنجیره‌ای اصول بهینه‌سازی بیشینه‌های محلی در برابر بیشینه‌های گلوبال تحدب بخش 5: مبانی Python Python عملی برای ML و AI بخش 6: مقدمه‌ای بر ML مروری بر ML و معرفی آن مبانی ML دسته‌بندی ML رگرسیون در برابر طبقه‌بندی مجموعه آموزش، مجموعه اعتبارسنجی و مجموعه تست بیش‌برازش (یادگیری در برابر حفظ‌ کردن) بخش 7: آموزش مدل‌ها One-Hot Encoding بخش 8: روش‌های رگرسیون رگرسیون خطی پارامترها برای تست مدل‌ها بخش 9: درخت‌های تصمیم معرفی درخت‌های تصمیم فرایند آموزش و تست I.G در درخت‌های تصمیم G.I در درخت‌های تصمیم بخش 10: Ensembleها معرفی Ensembleها Bagging Boosting بخش 11: آموزش مدل‌ها متدولوژی عملی آموزش بخش 12: یادگیری ماشین پیشرفته مروری بر یادگیری ماشین پیشرفته بخش 13: رگرسیون لجستیک رگرسیون لجستیک چیست؟ چرا رگرسیون لجستیک؟ ریاضیات پشت رگرسیون لجستیک؟ آیا همیشه به طبقه‌بندی باینری نیاز داریم؟ بخش 14: شبکه‌های عصبی معماری و بررسی ورود عمیق به شبکه عصبی تعمیم‌پذیری پردازش دسته‌ای Optimizer بخش 15: دمو آموزش Kaggle دمو برای پروژه‌ها و آموزش مدل بخش 16: پیاده‌سازی عملی و عملیاتی پروژه‌ها کدنویسی عملی رگرسیون لجستیک کدنویسی عملی درخت‌های تصمیم کدنویسی عملی شبکه عصبی کدنویسی شبکه عصبی برای طبقه‌بندی چندکلاسه بخش 17: آمادگی برای مصاحبه با پروژه‌های آماده‌ شده پرسش‌های متداول در مصاحبه‌ها درباره پروژه‌های مطرح‌ شده در دوره این دوره برای چه کسانی مناسب است؟ دانشجویان و تازه‌کارهایی که هدفشان نقش‌های داده و ML است. متخصصان نرم‌افزار که به سمت ML تغییر مسیر می‌دهند. کسی که «کمی ML» می‌داند اما اعتمادبه‌نفس کافی ندارد.