این دوره اطلاعات ضروری را که هر برنامه نویس جدی باید در مورد الگوریتم ها و ساختارهای داده بداند، با تأکید بر برنامه ها و تجزیه و تحلیل عملکرد علمی پیاده سازی های جاوا پوشش می دهد. بخش اول ساختارهای داده اولیه، مرتب‌سازی و الگوریتم‌های جستجو را پوشش می‌دهد. بخش دوم بر روی الگوریتم های پردازش گراف و رشته تمرکز دارد. تمامی امکانات این دوره به صورت رایگان در دسترس است. افرادی که علاقه مند به کاوش عمیق تر در محتوا هستند، ممکن است بخواهند کتاب درسی الگوریتم ها، نسخه چهارم (که دوره بر اساس آن است) را دریافت کنند یا از وب سایت algs4.cs.princeton.edu برای انبوهی از مطالب اضافی بازدید کنند. این دوره پس از اتمام مدرک ارائه نمی دهد.

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

در دوره‌های قبلی تخصص آنلاین ما، الگوریتم‌های اولیه را آموخته‌اید، و اکنون آماده هستید تا به حوزه مسائل پیچیده‌تر و الگوریتم‌های حل آنها قدم بگذارید. الگوریتم‌های پیشرفته بر اساس الگوریتم‌های پایه ساخته می‌شوند و از ایده‌های جدید استفاده می‌کنند. ما با جریان‌های شبکه‌ای شروع می‌کنیم که در کاربردهای معمولی‌تر مانند تطابق بهینه، یافتن مسیرهای غیرمتناسب و برنامه‌ریزی پرواز و همچنین موارد شگفت‌انگیزتر مانند تقسیم‌بندی تصویر در بینایی رایانه استفاده می‌شوند. سپس به برنامه‌ریزی خطی با کاربردهایی در بهینه‌سازی تخصیص بودجه، بهینه‌سازی پورتفولیو، یافتن ارزان‌ترین رژیم غذایی که همه نیازها را برآورده می‌کند و بسیاری موارد دیگر ادامه می‌دهیم. در ادامه، مشکلات ذاتاً سختی را که هیچ راه‌حل خوب دقیقی برای آنها شناخته شده نیست (و احتمالاً یافت نمی‌شوند) و چگونگی حل آنها در عمل مورد بحث قرار می‌دهیم. ما با مقدمه ای نرم از الگوریتم های جریانی که به شدت در پردازش داده های بزرگ استفاده می شوند، پایان می دهیم. چنین الگوریتم‌هایی معمولاً به گونه‌ای طراحی می‌شوند که بتوانند مجموعه‌های داده عظیمی را بدون اینکه حتی قادر به ذخیره یک مجموعه داده باشند، پردازش کنند.

برای مثال، بسیاری از مسائل الگوریتمی دنیای واقعی را نمی توان به طور موثر با استفاده از ابزارهای الگوریتمی سنتی حل کرد، زیرا مسائل NP-hard هستند. هدف از درس الگوریتم های تقریب، آشنایی با مفاهیم و تکنیک های مهم الگوریتمی مورد نیاز برای مقابله موثر با چنین مسائلی است. این تکنیک‌ها زمانی اعمال می‌شوند که برای مسائل خاصی به راه‌حل بهینه نیاز نداریم، بلکه تقریبی نزدیک به راه‌حل بهینه است. خواهیم دید که چگونه می توان چنین تقریب هایی را به طور موثر پیدا کرد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود.

الگوریتم های تقریب، بخش اول چقدر کارآمد می توانید اشیاء را در حداقل تعداد جعبه بسته بندی کنید؟ چگونه می توانید گره ها را به گونه ای خوشه بندی کنید که شبکه را به قطعاتی در اطراف چند مرکز به طور ارزان تقسیم کنید؟ اینها نمونه هایی از مسائل بهینه سازی ترکیبی NP-hard هستند. به احتمال زیاد حل چنین مسائلی به طور موثر غیرممکن است، بنابراین هدف ما ارائه یک راه حل تقریبی است که بتوان آن را در زمان چند جمله ای محاسبه کرد و در عین حال دارای ضمانت های قابل اثبات در هزینه آن نسبت به بهینه باشد. این دوره دانش یک دوره استاندارد الگوریتم در مقطع کارشناسی را در نظر می گیرد، و به ویژه بر الگوریتم هایی تأکید می کند که می توان با استفاده از برنامه نویسی خطی، یک تکنیک مورد علاقه و شگفت انگیز موفق در این زمینه، طراحی کرد. با گذراندن این دوره، شما در معرض طیف وسیعی از مشکلات در مبانی علم کامپیوتر نظری و تکنیک های قدرتمند طراحی و تجزیه و تحلیل قرار خواهید گرفت. پس از تکمیل، شما قادر خواهید بود، زمانی که با یک مسئله بهینه سازی ترکیبی جدید مواجه می شوید، تشخیص دهید که آیا این مسئله به یکی از معدود مسائل اساسی شناخته شده نزدیک است یا خیر، و قادر خواهید بود برنامه نویسی آرام سازی خطی طراحی کنید و از گرد کردن تصادفی برای تلاش برای حل مشکل خود استفاده کنید. مشکل خود محتوای دوره و به ویژه تکالیف درسی ماهیت نظری و بدون تکالیف برنامه نویسی دارد. این اولین دوره از یک دوره دو قسمتی در مورد الگوریتم های تقریب است.

الگوریتم های تقریب، قسمت 2 این ادامه الگوریتم‌های تقریب، قسمت 1 است. در اینجا شما دوگانگی برنامه‌نویسی خطی را که برای طراحی برخی از الگوریتم‌های تقریبی اعمال می‌شود، و برنامه‌نویسی نیمه معین که برای Maxcut اعمال می‌شود، یاد خواهید گرفت. با گذراندن دو بخش از این دوره، شما با طیف وسیعی از مشکلات در مبانی علم کامپیوتر نظری و تکنیک های طراحی و تحلیل قدرتمند مواجه خواهید شد. پس از تکمیل، شما قادر خواهید بود، زمانی که با یک مسئله بهینه سازی ترکیبی جدید مواجه می شوید، تشخیص دهید که آیا این مسئله به یکی از معدود مسائل اساسی شناخته شده نزدیک است یا خیر، و قادر خواهید بود برنامه نویسی آرام سازی خطی طراحی کنید و از گرد کردن تصادفی برای تلاش برای حل مشکل خود استفاده کنید. مشکل خود محتوای دوره و به ویژه تکالیف درسی ماهیت نظری و بدون تکالیف برنامه نویسی دارد. این دومین دوره از یک دوره دو قسمتی در مورد الگوریتم های تقریب است.

این دوره با تمرکز بر استفاده از فرمول‌های برنامه‌نویسی خطی و صحیح برای حل مسائل الگوریتمی که به دنبال راه‌حل‌های بهینه برای مشکلات ناشی از حوزه‌هایی مانند تخصیص منابع، زمان‌بندی، تخصیص کار، و انواع مسئله فروشنده دوره گرد است، تخصص ساختار داده‌ها و الگوریتم‌های ما را ادامه می‌دهد. . در مرحله بعد، الگوریتم‌هایی را برای مسائل NP-hard مطالعه خواهیم کرد که راه‌حل‌های آن تضمین شده است که در برخی از ضریب‌های تقریبی بهترین راه‌حل‌های ممکن قرار دارند. چنین الگوریتم‌هایی اغلب بسیار کارآمد هستند و محدودیت‌های مفیدی را برای راه‌حل‌های بهینه ارائه می‌کنند. یادگیری توسط یادداشت های ارائه شده توسط مربی، خواندن از کتاب های درسی و تکالیف پشتیبانی می شود. تکالیف شامل سوالات مفهومی چند گزینه ای و همچنین تکالیف حل مسئله است که شامل برنامه نویسی و الگوریتم های تست می شود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم کامپیوتر (MS-CS) CU Boulder که در پلت فرم Coursera ارائه می شود، گذراند. این مدرک تحصیلات تکمیلی کاملا معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه را ارائه می دهد. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

ما روش های محاسباتی -- الگوریتم ها و ساختارهای داده -- برای تجزیه و تحلیل داده های توالی یابی DNA را یاد خواهیم گرفت. ما کمی در مورد DNA، ژنومیک و نحوه استفاده از توالی یابی DNA خواهیم آموخت. ما از پایتون برای پیاده سازی الگوریتم های کلیدی و ساختارهای داده و تجزیه و تحلیل ژنوم های واقعی و مجموعه داده های توالی DNA استفاده خواهیم کرد.

این دوره اصول طراحی و تحلیل الگوریتم و همچنین الگوریتم های مرتب سازی آرایه ها، ساختارهای داده مانند صف های اولویت، توابع هش و برنامه هایی مانند فیلترهای بلوم را پوشش می دهد. الگوریتم‌های جستجو، مرتب‌سازی و نمایه‌سازی را می‌توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم داده (MS-DS) CU Boulder در پلتفرم Coursera در نظر گرفت. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

دنیا و اینترنت پر از اطلاعات متنی است. ما اطلاعات را با استفاده از پرس و جوهای متنی جستجو می کنیم، وب سایت ها، کتاب ها، ایمیل ها را می خوانیم. همه اینها از نقطه نظر علم کامپیوتر رشته هایی هستند. برای درک همه آن اطلاعات و کارآمد کردن جستجو، موتورهای جستجو از الگوریتم های رشته ای زیادی استفاده می کنند. علاوه بر این، حوزه نوظهور پزشکی شخصی از الگوریتم‌های جستجوی بسیاری برای یافتن جهش‌های بیماری‌زا در ژنوم انسان استفاده می‌کند. در این دوره آنلاین، مفاهیم کلیدی تطبیق الگو را خواهید آموخت: سعی، درخت پسوند، آرایه پسوند و حتی تبدیل Burrows-Wheeler.

الگوریتم‌های کارآمد ورودی/خروجی، که به‌عنوان الگوریتم‌های حافظه خارجی یا الگوریتم‌های حافظه پنهان نیز شناخته می‌شوند، دسته‌ای از الگوریتم‌ها هستند که برای پردازش کارآمد داده‌هایی طراحی شده‌اند که خیلی بزرگ هستند و نمی‌توانند به طور کامل در حافظه اصلی (RAM) رایانه جای بگیرند. این الگوریتم‌ها به‌ویژه هنگام برخورد با مجموعه داده‌های عظیم، مانند مواردی که در پردازش داده‌های مقیاس بزرگ، مدیریت پایگاه داده و سیستم‌های فایل یافت می‌شوند، مفید هستند. زمانی که آیتم داده در سلسله مراتب حافظه بالاتر قرار گیرد، عملیات روی داده گران تر می شود. یک عملیات روی داده در رجیسترهای CPU تقریباً یک میلیون بار سریعتر از عملیات روی یک آیتم داده است که در حافظه خارجی قرار دارد و ابتدا باید واکشی شود. این واکشی داده ها را عملیات ورودی/خروجی نیز می نامند و باید در طول طراحی الگوریتم مورد توجه قرار گیرند. هدف از این دوره آشنایی با مفاهیم و تکنیک های الگوریتمی مهم مورد نیاز برای مقابله موثر با چنین مسائلی است. ما با یک سلسله مراتب حافظه ساده کار خواهیم کرد، اما مفاهیم به طور طبیعی به مدل های واقعی تر گسترش می یابد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود. ما همه چیز را از یادداشت های دوره پوشش نمی دهیم. یادداشت های دوره هم برای دانش آموزانی که سخنرانی ها را به طور کامل درک نمی کنند و هم برای دانش آموزانی که مایلند عمیق تر در موضوعات غوطه ور شوند وجود دارد. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

این دوره دو مورد از هفت استراتژی معاملاتی که در بازارهای نوظهور کار می کنند را پوشش می دهد. این هفت شامل استراتژی‌های مبتنی بر حرکت، سقوط حرکت، معکوس شدن قیمت، تداوم درآمد، کیفیت سود، رشد زیربنایی کسب‌وکار، سوگیری‌های رفتاری و تحلیل متنی گزارش‌های تجاری درباره شرکت است. در قسمت اول دوره، نحوه خواندن یک مقاله دانشگاهی را یاد خواهید گرفت. در اینجا به چه قسمت هایی توجه کنیم و چه قسمت هایی را مرور کنیم. برای هر استراتژی، ابتدا با تحقیق اصلی و سپس نحوه اجرای استراتژی آشنا می شوید. اولین استراتژی، امتیاز F Piotroski به تفصیل مورد بحث قرار خواهد گرفت. نحوه محاسبه F - Score و نحوه استفاده از این امتیاز در استراتژی به شما آموزش داده خواهد شد. این با استراتژی بعدی، پس از اعلام درآمد (PEAD) دنبال می شود.

این دوره نتایج آزمون برگشتی را برای همه استراتژی ها در بازارهای توسعه یافته و در حال ظهور ارائه می دهد. همچنین به یادگیرنده روش‌های علمی آزمون‌های برگشتی بدون تسلیم شدن به پیش‌بینی (یا) سوگیری بقا آموزش داده می‌شود. شما روش های مختلف ساخت یک سیستم تست پشتی قوی را برای استراتژی هایی که در دوره قبلی مورد بحث قرار گرفت، یاد خواهید گرفت. به شما آموزش داده می شود که چگونه بین داده کاوی صرف و نتایج بر اساس پایه های تجربی یا نظری محکم تمایز قائل شوید. در ادامه، راه‌ها و روش‌های بک‌آزمایی نتایج و قرار دادن نتایج آزمون برگشتی را در معرض تست‌های استرس خواهید آموخت. پس از آن، روش‌های مختلفی را یاد خواهید گرفت که هزینه‌های تراکنش و سایر اصطکاک‌ها را می‌توان در الگوریتم تست برگشتی گنجاند. در نهایت، تکنیک‌هایی برای اندازه‌گیری عملکرد استراتژی‌ها و مفهوم بازده تعدیل‌شده ریسک را یاد خواهید گرفت. شما از برخی از معیارهای معروف برای بازده تعدیل شده ریسک مانند نسبت شارپ، نسبت ترینور و آلفای جنسون استفاده خواهید کرد. خواهید دید که چگونه یک معیار مناسب برای صندوق پیشنهادی انتخاب کنید.

الگوریتم‌های هندسی دسته‌ای از روش‌های محاسباتی هستند که برای حل مسائل مربوط به اشکال هندسی و ویژگی‌های آنها استفاده می‌شوند. این الگوریتم ها با اشیایی مانند نقاط، خطوط، چندضلعی ها و سایر اشکال هندسی سروکار دارند. در بسیاری از زمینه‌های علوم کامپیوتر مانند رباتیک، گرافیک کامپیوتری، واقعیت مجازی و سیستم‌های اطلاعات جغرافیایی، ذخیره، تجزیه و تحلیل و ایجاد یا دستکاری داده‌های مکانی ضروری است. این دوره به جنبه های الگوریتمی این وظایف می پردازد: ما تکنیک ها و مفاهیم مورد نیاز برای طراحی و تجزیه و تحلیل الگوریتم های هندسی و ساختارهای داده را مطالعه می کنیم. هر تکنیک و مفهوم بر اساس مشکلی که در یکی از زمینه های کاربردی ذکر شده در بالا ایجاد می شود، نشان داده می شود. اهداف: در پایان این دوره شرکت کنندگان باید بتوانند - تصمیم بگیرید که از کدام الگوریتم یا ساختار داده برای حل یک مسئله هندسی اساسی استفاده کنید. - تجزیه و تحلیل مسائل جدید و ارائه راه حل های کارآمد خود با استفاده از مفاهیم و تکنیک های دوره. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، درخت های جستجوی باینری و غیره. - اصطلاحات نمودار - مهارت های برنامه نویسی برای تکالیف عملی بیشتر مطالب این دوره بر اساس کتاب زیر است: M. de Berg، O. Cheong، M. van Kreveld و M. Overmars. هندسه محاسباتی: الگوریتم ها و کاربردها (ویرایش سوم). Springer-Verlag، 2008. خرید این کتاب اجباری نیست. با این حال، اگر شرکت‌کنندگان می‌خواهند بیشتر از آنچه در این دوره ارائه می‌شود بدانند یا می‌خواهند نگاهی دوباره به مطالب مطرح شده در سخنرانی‌ها داشته باشند، خرید این کتاب را توصیه می‌کنیم. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

در دوره دوم تخصص یادگیری ماشین، شما: • ساخت و آموزش شبکه عصبی با TensorFlow برای انجام طبقه بندی چند کلاسه • بهترین شیوه ها را برای توسعه یادگیری ماشین به کار ببرید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم یابد • ساخت و استفاده از درختان تصمیم و روش های مجموعه درختی، از جمله جنگل های تصادفی و درختان تقویت شده The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی نظری تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

در این دوره شما: الف) الگوریتم بیزی ساده را درک کنید. ب) الگوریتم ماشین بردار پشتیبان را درک کنید. ج) الگوریتم درخت تصمیم را درک کنید. د) خوشه بندی را درک کنید. لطفاً مطمئن شوید که برنامه نویسی در پایتون راحت هستید و دانش پایه ای از ریاضیات از جمله ضرب ماتریس و احتمال شرطی دارید.

یکی از هیجان انگیزترین جنبه های تجزیه و تحلیل کسب و کار، یافتن الگوها در داده ها با استفاده از الگوریتم های یادگیری ماشین است. در این دوره شما یک پایه مفهومی برای اینکه چرا الگوریتم‌های یادگیری ماشین بسیار مهم هستند و چگونه مدل‌های حاصل از آن الگوریتم‌ها برای یافتن بینش عملی مرتبط با مشکلات تجاری استفاده می‌شوند، به دست خواهید آورد. برخی از الگوریتم‌ها برای پیش‌بینی نتایج عددی استفاده می‌شوند، در حالی که برخی دیگر برای پیش‌بینی طبقه‌بندی یک نتیجه استفاده می‌شوند. الگوریتم های دیگر برای ایجاد گروه های معنی دار از مجموعه ای غنی از داده ها استفاده می شود. پس از اتمام این دوره، شما قادر خواهید بود توضیح دهید که چه زمانی باید از هر الگوریتم استفاده شود. همچنین به شما این فرصت داده می شود که از R و RStudio برای اجرای این الگوریتم ها و برقراری ارتباط نتایج با استفاده از نوت بوک های R استفاده کنید.

این دوره شما را از درک اصول یک پروژه یادگیری ماشینی راهنمایی می کند. یادگیرندگان تکنیک های یادگیری نظارت شده را در مطالعات موردی واقعی برای تجزیه و تحلیل سناریوهای موردی تجاری که در آن درخت های تصمیم گیری، k-نزدیک ترین همسایه ها و ماشین های بردار پشتیبان به طور بهینه استفاده می شوند، درک کرده و اجرا خواهند کرد. فراگیران همچنین مهارت هایی را برای مقابله با پیامدهای عملی مراحل مختلف آماده سازی داده ها و توصیف مسائل رایج تولید در ML کاربردی به دست خواهند آورد. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این دومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

این دوره به شما کمک می‌کند تا کارهایی را که همکار قبلی انجام داده‌اید، بازسازی کنید، پروژه‌ای را که مدتی پیش رها کرده‌اید، بازبینی کنید، یا به سادگی یک سند را با فرمت و گردش کار ثابت بازتولید کنید. اطلاعات ناقص در مورد نحوه انجام کار، محل قرارگیری فایل ها و آخرین نسخه کدام است، می تواند عوارض زیادی ایجاد کند. این دوره بر فرآیند ایجاد مستندات مناسب تمرکز دارد و به شما و همکارانتان این امکان را می دهد تا به راحتی اجزای گردش کار خود را بازتولید کنید. در طول این دوره، نمایش های مفیدی از RStudio و زبان R Markdown دریافت خواهید کرد و در فرصت های یادگیری فعال شرکت خواهید کرد تا به شما در ایجاد یک نمونه کار آنلاین حرفه ای کمک کند.