مبانی هوش مصنوعی: یادگیری ماشینی

مدرس Kesha Williams

انتشار 2023/05/30

مدت زمان 1h 50m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Artificial Intelligence Foundations: Machine Learning

یادگیری ماشینی هیجان انگیزترین شاخه هوش مصنوعی است. این به سیستم‌ها اجازه می‌دهد تا با شناسایی الگوها و تصمیم‌گیری بدون دخالت انسان، از داده‌ها بیاموزند. در این دوره، با تمرین عملی اولین مدل یادگیری ماشینی خود، چرخه زندگی یادگیری ماشینی را هدایت خواهید کرد. به مربی کشا ویلیامز بپیوندید تا روش‌های یادگیری ماشینی را مورد بررسی قرار دهد: تحت نظارت، بدون نظارت و تقویت. تمرکز روی منبع یابی و تهیه داده ها و انتخاب بهترین الگوریتم یادگیری برای پروژه شما وجود دارد. پس از آموزش یک مدل، ارزیابی عملکرد مدل را با استفاده از معیارهای استاندارد یاد بگیرید. در نهایت، کشا به شما نشان می‌دهد که چگونه فرآیند را با ایجاد خط لوله یادگیری ماشین ساده کنید. اگر به دنبال درک چرخه زندگی یادگیری ماشین و مراحل مورد نیاز برای ساخت سیستم هستید، این دوره را بررسی کنید.

Machine Learning

Introduction

Introduction to AI foundations: Machine learning course ()

Reviewing the course scenarios ()

1. Understanding Machine Learning

Exploring machine learning ()

Examining how machines learn ()

2. Implementing a Machine Learning Solution

Breaking down the machine learning lifecycle ()

Framing machine learning problems ()

Identifying a pre-built model ()

Understanding tools used to train a model ()

3. Preparing Data for Machine Learning

Obtaining data ()

Visualizing and understanding data ()

Understanding feature engineering ()

Demo: Performing feature engineering ()

4. Training a Machine Learning Model

Understanding learning algorithms and model training ()

Exploring learning algorithms for classification ()

Reviewing learning algorithms for regression ()

Examining additional learning algorithms ()

Training a custom machine learning model ()

Demo: Training a custom machine learning model ()

5. Evaluating Model Performance

Exploring common classification metrics ()

Understanding the confusion matrix ()

Exploring common regression metrics ()

Determining feature importance ()

Combating bias ()

6. Operationalizing a Machine Learning Pipeline

Structuring a machine learning pipeline ()

Demo: Designing and building a pipeline ()

Conclusion

Your machine learning journey ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش مبانی هوش مصنوعی: یادگیری ماشینی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Artificial Intelligence Foundations: Machine Learning در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

در صنعتی که به سرعت در حال گسترش است، مهندسان یادگیری ماشین نقشی حیاتی در طراحی و ایجاد الگوریتم‌های هوش مصنوعی برای ساخت راه‌حل‌های یادگیری ماشین دارند. در این مسیر یادگیری، شما اصول اولیه هوش مصنوعی و یادگیری ماشینی را بررسی خواهید کرد و سپس با ساختن اپلیکیشن‌های یادگیری ماشین و آموزش شبکه‌های عصبی خود، به سمت یک رویکرد عملی حرکت خواهید کرد. دانش موجود از پایتون توصیه می شود.

آموزش مبانی هوش مصنوعی: یادگیری ماشینی ، ایستگاه شماره 2 در مسیر یادگیری اصول اولیه برای تبدیل شدن به یک مهندس یادگیری ماشین ، است.