loading...

آموزش یادگیری ماشین (machine learning) | دوره صفر تا صد ماشین لرنینگ

به دنیای هیجان انگیز یادگیری ماشین یا learning machine خوش آمدید! در این دوره، ما اصول یادگیری ماشین، کاربرد های متنوع آن، ویژگی های کلیدی، پیش نیاز های شروع، ارتباط آن با هوش مصنوعی و آینده امیدوارکننده ای که خواهد داشت را بررسی خواهیم کرد. چه یک برنامه نویس مبتدی باشید و یا یک برنامه نویس باتجربه که به دنبال گسترش مجموعه مهارت های خود هستید، این دوره ی جامع بینش ها و منابعی را که برای شروع یک سفر شگفت انگیز در دنیای ماشین لرنینگ نیاز دارید در اختیار شما قرار می دهد.

قیمت: 1,500,000 تومان

قیمت ارزی (تتر):

X
04 : 59 : 23
53 جلسه
8 فصل
2 سال پشتیبانی

آموزش یادگیری ماشین (machine learning) | دوره صفر تا صد ماشین لرنینگ

یادگیری ماشین چیست؟

یادگیری ماشین زیرمجموعه ‌ای از هوش مصنوعی است که سیستم‌ های کامپیوتری را قادر می ‌سازد تا از داده‌ ها یاد بگیرند و بدون برنامه ‌نویسی صریح، تصمیمات هوشمندانه بگیرند. با استفاده از الگوریتم‌ ها و مدل‌ های آماری، ماشین‌ ها می ‌توانند مقادیر زیادی از داده‌ ها را برای شناسایی الگو ها، پیش ‌بینی و بهبود مستمر عملکرد خود در طول زمان تجزیه و تحلیل کنند. یادگیری ماشین مبتنی بر مفهوم مدل‌ های آموزشی بر روی داده‌ های تاریخی است که به آن ها امکان می ‌دهد یاد بگیرند و با ورودی‌ های جدید سازگار شوند.

معرفی دوره

استاد امیرحسین امیری (مدرس و برنامه نویس) دوره یادگیری ماشین را کاملا از صفر آموزش خواهد داد. به طور کلی این دوره برای هر برنامه نویسی که می خواهد در رابطه با هوش مصنوعی اطلاعات کسب کند توصیه می شود. توجه داشته باشید که قسمت های ابتدایی این دوره کاملا رایگان خواهند بود. بنابراین شما می توانید ابتدا این قسمت ها را تماشا کنید و سپس تصمیم به ثبت نام در آن بگیرید. نکته ی دیگر، پروژه محور بودن این دوره است. در این دوره همراه هم پروژه های زیادی را انجام خواهیم داد و با چالش های زیادی دست و پنجه نرم خواهیم کرد. این موضوع باعث خواهد شد تا به خوبی با پستی بلندی های یادگیری ماشین آشنا شوید.

 

کاربرد های machine learning

 

machine learning در صنایع مختلفی مورد استفاده قرار می گیرد و شیوه زندگی و مشاغل را متحول کرده و خواهد کرد. برخی از کاربرد های قابل توجه یادگیری ماشین عبارتند از:

1. تجزیه و تحلیل و پیش بینی: الگوریتم های یادگیری ماشین می توانند داده های گذشته را برای پیش بینی نتایج آینده تجزیه و تحلیل کنند و به فرآیند های تصمیم گیری برای مشاغل، امور مالی، مراقبت های بهداشتی و بازاریابی کمک کنند. برای نمونه، اگر در بازار های مالی فعالیت داشته باشید، می توانید با استفاده از ماشین لرنینگ پیش بینی کنید که قیمت چه سهام یا ارز دیجیتالی بالا یا پایین خواهد رفت!

2. ترجمه زبان های مختلف: یادگیری ماشین به دستیاران مجازی و ابزار های ترجمه زبان قدرت زیادی می ‌دهد و رایانه‌ ها را قادر می ‌سازد تا زبان انسان را بفهمند و به آن پاسخ دهند. برای مثال اگر با ChatGPT کار کرده باشید حتما متوجه این موضوع شده اید که زبان فارسی را چقدر روان می نویسد.

3. تشخیص تصویر و گفتار: الگوریتم‌ های یادگیری ماشین می‌ توانند اشیا، چهره ‌ها و الگو های گفتار را شناسایی کنند. تشخیص گفتار یا Speech Recognition (SR) بیشتر برای مواردی مانند تبدیل صدای افراد به متن استفاده می شود. از SR در برنامه های یادگیری زبان انگلیسی مانند Praktika استفاده زیادی می شود که بسیار تحسین برانگیز است. شاید برای شما هم جالب باشد که گوگل هم در برخی محصولات خود مانند Google Photos، Google Search، Google Drive از الگوریتم های ماشین لرنینگ برای تشخیص تصویر استفاده می کند.

4. تشخیص کلاهبرداری ها: الگوریتم‌ های ماشین لرنینگ می ‌توانند ناهنجاری ‌ها و الگو های متقلبانه را در تراکنش‌ های مالی شناسایی کنند و در نتیجه به شناسایی فعالیت‌ های کلاهبردارانه کمک کنند.

 

ویژگی های کلیدی یادگیری ماشین
 

حال بیایید نگاهی به ویژگی های کلیدی یادگیری ماشین داشته باشیم.


1- خودکار کردن کار ها: machine learning وظایف تکراری و فرآیند های پیچیده تصمیم گیری را خودکار می کند و دست منابع انسانی را برای تلاش های خلاقانه و استراتژیک تر باز می گذارد.

2- بینش‌ داده محور: با تجزیه و تحلیل حجم وسیعی از داده‌ ها، یادگیری ماشین می ‌تواند بینش‌ ها و الگو های ارزشمندی را کشف کند که ممکن است به راحتی توسط انسان قابل تشخیص نباشد.

3- سازگاری: مدل‌ های ماشین لرنینگ می‌ توانند عملکرد خود را با قرار گرفتن در معرض داده‌ های بیشتر تطبیق داده و بهبود بخشند و امکان بهینه ‌سازی مداوم را فراهم کنند.

4- شخصی‌ سازی: الگوریتم‌ های شخصی ‌سازی مجموعه کد هایی هستند که نحوه استفاده شما از اینترنت را مشاهده می‌ کنند و انتخابات و حرکات بعدی شما را پیش ‌بینی می‌ کنند. شرکت ها هرروزه سرمایه گذاری زیادی برای بهبود الگوریتم های شخصی سازی خود انجام می دهند. شخصی سازی شدن قسمت اکسپلور اینستاگرام با محتوای مورد علاقه شما یک مدل از آن است.

 

پیش نیاز های آموزش یادگیری ماشین

 

حتما شما هم شنیده اید که یادگیری ماشین و هوش مصنوعی بسیار سخت است و نیاز به مهارت های برنامه نویسی و ریاضیات فوق العاده ای دارد. اما واقعا چقدر از این حرف ها صحت دارد؟ بیایید نگاهی به آن بیاندازیم. برخی از پیش نیاز های آموزش یادگیری ماشین عبارتند از:

1-  مهارت های برنامه نویسی: مهارت در زبان های برنامه نویسی همچون پایتون یا R برای پیاده سازی الگوریتم های یادگیری ماشین و دستکاری داده ها ضروری است. اگر با پایتون آشنایی داشته باشید می توانید machine learning را به خوبی درک کنید. دوره ی آموزش پایتون مقدماتی تا پیشرفته استاد امیری در سایت کدیاد یکی از بهترین منابع برای یادگیری Python است. توجه داشته باشید که این دوره ی کاملا رایگان از صفر تا صد این زبان برنامه نویسی را در بر دارد و با مطالب روز دنیا آپدیت می شود. اگر هنوز این دوره را ندیده اید، همین حالا اقدام کنید.

2-  ریاضیات: درک مفاهیم آماری، جبر خطی و دیفرانسیل و انتگرال برای درک مبانی ریاضی در الگوریتم های یادگیری ماشین بسیار مهم است. توجه داشته باشید که درک مفهوم این مباحث کافی است. همچنین می توان این مباحث ریاضی را هم نیاز های این دوره معرفی کرد. زیرا برای شروع دوره نیازی به دانستن آن ها ندارید و در طول برگزاری آن کم کم با این مباحث آشنا خواهید شد.
 
3-  کتابخانه ها: آشنایی با کتابخانه های مربوط به داده ها مانند pandas و numpy برای تمیز کردن، پیش پردازش و تجزیه و تحلیل مجموعه داده ها یک مزیت بزرگ است.

4-  مهارت حل مسئله: یادگیری ماشین شامل مسائل پیچیده ای است، بنابراین داشتن مهارت تحلیل و حل مسئله مهم تر از هر چیزی خواهد بود.

5- علاقه و استمرار: داشتن علاقه و استمرار نه فقط در یادگیری ماشین بلکه در تمامی مباحث برنامه نویسی حرف اول را می زند. اگر فقط بخاطر تب و تاب هوش مصنوعی در این روز ها می خواهید آن را فرا بگیرید، احتمال موفقیت شما بسیار کم خواهد بود. برای اینکه بفهمید می توانید در این کار موفق شوید یا خیر، از خود بپرسید که آیا دوره ی آموزش پایتون را به خوبی و مستمر یاد گرفتم؟ جواب خود را خواهید گرفت!

 

مخاطبین دوره

 

همانطور که گفتیم این دوره از صفر شروع خواهد شد، پس نیاز به تخصص خاصی ندارد و هر علاقمندی به یادگیری ماشین و هوش مصنوعی می تواند در آن شرکت کند و با این مبحث جذاب آشنا شود. به طور کلی اگر با machine learning آشنایی ندارید و می خواهید در رابطه با آن اطلاعات خوبی کسب کنید و بعد تصمیم به ادامه دادن آن بگیرید، این دوره برای شماست. اما اگر کاملا با این مبحث آشنا هستید و حتی دوره ای را در رابطه با آن گذرانده اید، بهتر است وقت خود را روی دوره های تخصصی تر بگذارید. نکته حائز اهمیت این است که نه این دوره و نه هیچ آموزش دیگری شما را تبدیل به متخصص ماشین لرنینگ نخواهد کرد و این خود شما هستید که باید با تمرین و تجربه، تخصص لازم را بدست آورید.

 

تفاوت یادگیری ماشین و هوش مصنوعی

 

یادگیری ماشین (ML) و هوش مصنوعی (AI) اغلب به جای یکدیگر استفاده می شوند، اما ویژگی های متمایزی دارند. ML زیرمجموعه ‌ای از هوش مصنوعی است که بر توسعه الگوریتم‌ هایی برای یادگیری و پیش ‌بینی رایانه ‌ها بدون برنامه ‌نویسی صریح تمرکز دارد. از سوی دیگر، هوش مصنوعی حوزه گسترده ‌تری است که هدف آن ایجاد سیستم‌ های هوشمند با قابلیت‌ های مشابه انسان است. ماشین لرنینگ از داده ها یاد می گیرد تا پیش بینی کند، در حالی که هوش مصنوعی شامل رویکرد های مختلفی برای ایجاد سیستم هایی است که زبان انسان را استدلال و درک می کند و آن را فرا می گیرد.
 
 

رابطه بین ماشین لرنینگ و هوش مصنوعی (AI)

 

یادگیری ماشین عضو جدایی ناپذیر هوش مصنوعی است، زیرا سیستم ها را قادر می سازد تا تجربه کنند، یاد بگیرند و بهبود یابند. در حالی که هوش مصنوعی طیف وسیع تری از مفاهیم را در بر می گیرد. یادگیری ماشین به عنوان ستون اصلی بسیاری از برنامه های کاربردی هوش مصنوعی عمل می کند. الگوریتم ‌های یادگیری ماشین به سیستم‌ های هوش مصنوعی اجازه می ‌دهند تا دانش کسب کنند، پیش ‌بینی کنند و با محیط‌ های در حال تغییر سازگار شوند.

 

آینده یادگیری ماشین

 

آینده یادگیری ماشین فوق ‌العاده امیدوارکننده است و انتظار می ‌رود تاثیر آن در بخش‌ های مختلف به طور تصاعدی رشد کند. برخی از حوزه‌ های کلیدی که آینده machine learning را شکل می‌ دهند عبارتند از:

Deep Learning (1: یادگیری عمیق، زیرمجموعه ‌ای از یادگیری ماشین است که بر آموزش شبکه ‌های عصبی با لایه‌ های متعدد تمرکز دارد و آماده است تا حتی قابلیت‌ های پیچیده ‌تر هوش مصنوعی را باز کند. الگوریتم‌ های یادگیری عمیق قبلاً در زمینه‌ هایی مانند تشخیص تصویر، پردازش زبان و وسایل نقلیه خودران موفقیت چشمگیری نشان داده ‌اند.
Reinforcement Learning (2: یادگیری تقویتی، شاخه ی دیگری از ماشین لرنینگ است که بر آموزش عوامل برای تصمیم گیری بر اساس آزمون و خطا تمرکز دارد. این رویکرد پتانسیل ایجاد انقلابی در حوزه‌ هایی مانند روباتیک، بازی‌ ها و سیستم‌ های مستقل را دارد. یادگیری تقویتی بر اساس پاداش دادن به رفتار های مطلوب و یا تنبیه رفتار های نامطلوب است. به طور کلی، قادر است محیط خود را درک و تفسیر کند، اقداماتی انجام دهد و از طریق آزمون و خطا یاد بگیرد.

سخن پایانی

آموزش یادگیری ماشین درها را به روی دنیایی از فرصت‌ ها باز می‌ کند که در آن می‌ توانید از قدرت هوش مصنوعی برای نوآوری و ایجاد تغییرات بزرگ استفاده کنید. با درک اصول، کاوش در کاربرد های متنوع آن، و کسب مهارت های لازم، می توانید تغییرات بزرگی را در زندگی خود و حتی در سطح جهانی رقم بزنید. به یاد داشته باشید که چه این دوره را انتخاب کنید و چه دوره های دیگر، برای متخصص شدن در ماشین لرنینگ نیاز به تلاش بی وقفه و استمرار فراوان دارید. پس همین امروز دوره ی آموزش یادگیری ماشین (machine learning) را شروع کنید و بخشی از انقلاب هوش مصنوعی باشید!

سرفصل های دوره

مقدمه
  • یادگیری ماشین چیست؟

    00:16:00
  • داده چیست؟

    00:11:08
  • انواع داده

    00:08:33
  • نصب ابزارهای مورد نیاز
  • نصب پایتون

    00:06:00
  • interactive python

    00:07:32
  • نصب anaconda و معرفی jupyter notebook

    00:09:52
  • jupyter lab

    00:09:00
  • google colab

    00:07:00
  • تمرین ساده

    00:01:53
  • اجرای نوت بوک ها در vscode

    00:09:12
  • رفع خطای c++

    00:03:00
  • مقدمه ای بر کتابخانه های پایتون برای یادگیری ماشین
  • معرفی کتابخانه های کاربردی یادگیری ماشین

    00:04:51
  • معرفی کتابخانه numpy
  • نصب و معرفی numpy

    00:06:04
  • Creating an Array

    00:05:36
  • Array Attributes

    00:05:11
  • Indexing

    00:08:13
  • Slicing

    00:11:46
  • Basic Operations

    00:03:18
  • Aggregation Functions

    00:03:00
  • انحراف معیار(Standard deviation)

    00:08:13
  • واریانس

    00:06:13
  • واریانس (2)

    منتشرشده 00:03:03
  • Reshaping

    منتشرشده 00:01:38
  • Flattening

    منتشرشده 00:01:00
  • تمرین

    منتشرشده 00:04:00
  • پروژه اول(کلاس درس)
  • معدل دانش آموزان

    منتشرشده 00:06:00
  • تفکیک دانش آموزان برتر

    منتشرشده 00:07:00
  • تفکیک دروس برتر

    منتشرشده 00:08:00
  • بررسی پراکندگی نمرات دروس مختلف

    منتشرشده 00:03:20
  • تفکیک دانش آموزان بر اساس نمره

    منتشرشده 00:06:15
  • معرفی کتابخانه pandas
  • نصب pandas

    منتشرشده 00:04:00
  • ساخت دیتافریم (DataFrame)

    منتشرشده 00:03:53
  • Reading Data

    منتشرشده 00:06:00
  • Data Inspection

    منتشرشده 00:04:15
  • تفاوت بین Series و Arrays

    منتشرشده 00:07:00
  • Indexing and Selection

    منتشرشده 00:07:26
  • Data Cleaning

    منتشرشده 00:04:46
  • Data Manipulation(grouping)

    منتشرشده 00:03:51
  • Data Manipulation(Filtering and Sorting)

    منتشرشده 00:02:35
  • Data Manipulation(Creating New Columns)

    منتشرشده 00:03:03
  • Data Manipulation(Applying Functions)

    منتشرشده 00:03:00
  • Grouping

    منتشرشده 00:05:13
  • Handling Missing Values

    منتشرشده 00:02:25
  • Merging

    منتشرشده 00:03:26
  • Joining

    منتشرشده 00:02:31
  • Concatinating

    منتشرشده 00:03:41
  • پروژه (تحلیل داده یوتوب)
  • دانلود داده ها از kaggle.com

    منتشرشده 00:04:22
  • گروه بندی یوتوبر ها

    منتشرشده 00:07:56
  • نمایش با matplotlib

    منتشرشده 00:05:30
  • نمایش نمودار موضوعات برتر یوتوب

    منتشرشده 00:05:39
  • پیش پردازش داده ها(Data Preprocessing)
  • اهمیت Data Preprocessing

    منتشرشده 00:07:00
  • معرفی تکنیک های رایج در Data Preprocessing

    منتشرشده 00:05:00
  • دانلود دیتاست از kaggle.com و معرفتی مخزن پروژه

    منتشرشده 00:05:00
  • پیشنیاز های دوره چه چیزهایی هستند؟

    • python

    نظرات دانشجویان

    مدرس دوره

    امیرحسین امیری


    یک آموزگار برنامه نویس!

    یا یک برنامه نویس آموزگار!

    امیر هستم آموزگار رسمی آموزش و پرورش، عاشق یادگیری و یاد دادن

    گیتهاب:

    https://github.com/amirhamiri