در دوره سوم تخصص یادگیری ماشین، شما: • از تکنیک های یادگیری بدون نظارت برای یادگیری بدون نظارت استفاده کنید: از جمله خوشه بندی و تشخیص ناهنجاری. • ساخت سیستم های توصیه گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا. • یک مدل یادگیری تقویتی عمیق بسازید. 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 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 دوره پایانی از تخصص یادگیری ماشین برای تجارت، شما با یادگیری تقویتی (RL) و مزایای استفاده از یادگیری تقویتی در استراتژی های معاملاتی آشنا می شوید. شما یاد خواهید گرفت که چگونه RL با شبکه های عصبی یکپارچه شده است و LSTM ها را بررسی می کنید و چگونه می توان آنها را برای داده های سری زمانی اعمال کرد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی را با استفاده از یادگیری تقویتی بسازید، بین سیاست‌های مبتنی بر بازیگر و سیاست‌های مبتنی بر ارزش تفاوت قائل شوید و RL را در استراتژی معاملاتی حرکتی بگنجانید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

هدف این دوره معرفی مفاهیم اساسی یادگیری تقویتی (RL) و توسعه موارد استفاده برای کاربردهای RL برای ارزش گذاری اختیار، معاملات و مدیریت دارایی است. تا پایان این دوره، دانشجویان قادر خواهند بود - از یادگیری تقویتی برای حل مسائل کلاسیک امور مالی مانند بهینه سازی سبد، معاملات بهینه و قیمت گذاری گزینه و مدیریت ریسک استفاده کنید. - با استفاده از مشکلات مالی روی مثال های ارزشمندی مانند یادگیری کیو معروف تمرین کنید. - دانش خود را در دوره به یک مدل ساده برای پویایی بازار که با استفاده از یادگیری تقویتی به عنوان پروژه دوره به دست می آید، اعمال کنند. پیش نیاز دوره های "تور راهنمای یادگیری ماشین در امور مالی" و "مبانی یادگیری ماشینی در امور مالی" است. از دانش آموزان انتظار می رود که فرآیند lognormal و نحوه شبیه سازی آن را بدانند. آگاهی از قیمت گذاری گزینه فرضی نیست اما مطلوب است.

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

در این دوره، شما: الف) انتقال سبک عصبی را با استفاده از یادگیری انتقال بیاموزید: محتوای یک تصویر (مثلاً قو) و سبک یک نقاشی (مثلاً کوبیست یا امپرسیونیست) را استخراج کنید و محتوا و سبک را در یک تصویر جدید ترکیب کنید. ب) رمزگذارهای خودکار ساده را بر روی مجموعه داده آشنای MNIST بسازید، و معماری‌های پیچیده‌تر و پیچیده‌تر روی مجموعه داده‌های Fashion MNIST، تفاوت در نتایج مدل‌های رمزگذار خودکار DNN و CNN را درک کنید، راه‌هایی را برای حذف نویز تصاویر نویزدار شناسایی کنید، و یک CNN بسازید. AutoEncoder با استفاده از TensorFlow برای خروجی یک تصویر تمیز از یک تصویر پر سر و صدا. ج) رمزگذارهای خودکار متغیر (VAE) را برای تولید داده‌های کاملاً جدید کاوش کنید و چهره‌های انیمه را برای مقایسه آنها با تصاویر مرجع تولید کنید. د) درباره GAN ها بیاموزید. اختراع، ویژگی‌ها، معماری، و تفاوت آنها با VAE، عملکرد ژنراتور و تمایزکننده در مدل، مفهوم 2 مرحله آموزشی و نقش نویز معرفی شده را درک کنید و GAN خود را بسازید که می‌تواند چهره‌ها را تولید کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی های TensorFlow را معرفی می کند که به زبان آموزان کنترل بیشتری بر معماری مدل خود می دهد و ابزارهایی را برای ایجاد و آموزش مدل های پیشرفته ML به آنها می دهد. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

با این دوره آموزشی IBM دنیای هیجان انگیز یادگیری ماشینی را کاوش کنید. قبل از باز کردن قدرت Apache Spark برای ساخت و استقرار مدل‌های ML برای برنامه‌های مهندسی داده، با یادگیری اصول ML شروع کنید. در تکنیک های یادگیری تحت نظارت و بدون نظارت غوطه ور شوید و از طریق خواندن و ویدئوهای آموزشی، امکانات انقلابی هوش مصنوعی مولد را کشف کنید. تجربه عملی با جریان ساختار یافته Spark به دست آورید، درکی از مهندسی داده و خطوط لوله ML ایجاد کنید و در ارزیابی مدل های ML با استفاده از SparkML ماهر شوید. در آزمایشگاه‌های عملی، شما از SparkML برای رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده می‌کنید که به شما امکان می‌دهد مدل‌های پیش‌بینی و طبقه‌بندی بسازید. به خوشه‌های Spark متصل شوید، مجموعه داده‌های SparkSQL را تجزیه و تحلیل کنید، فعالیت‌های ETL را انجام دهید و مدل‌های ML را با استفاده از Spark ML و sci-kit Learn ایجاد کنید. در نهایت، مهارت های کسب شده خود را از طریق یک تکلیف نهایی نشان دهید. این دوره متوسط ​​​​برای مهندسین داده مشتاق و با تجربه و همچنین متخصصان فعال در تجزیه و تحلیل داده ها و یادگیری ماشین مناسب است. دانش قبلی در Big Data، Hadoop، Spark، Python و ETL برای این دوره به شدت توصیه می شود.

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

>>> با ثبت نام در این دوره، با توافقنامه مجوز کاربر نهایی همانطور که در سوالات متداول ذکر شده است موافقت می کنید. پس از ثبت نام می توانید به مجوز در ناحیه منابع دسترسی داشته باشید <<< این دوره، یادگیری ماشین پیشرفته و پردازش سیگنال، بخشی از تخصص IBM Advanced Data Science است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد نظارت و کنترل را می دهد. مدل های یادگیری ماشینی بدون نظارت که توسط متخصصان در بسیاری از رشته های مرتبط استفاده می شود. ما در مورد اصول جبر خطی یاد خواهیم گرفت تا نحوه عملکرد حالت های یادگیری ماشین را درک کنیم. سپس محبوب‌ترین چارچوب‌های یادگیری ماشین برای پایتون Scikit-Learn و SparkML را معرفی می‌کنیم. SparkML بزرگترین بخش این دوره را تشکیل می دهد زیرا مقیاس پذیری کلید رفع تنگناهای عملکرد است. ما یاد می گیریم که چگونه مدل ها را به صورت موازی با ارزیابی صدها پارامتر مختلف به صورت موازی تنظیم کنیم. ما به طور مداوم از یک مثال واقعی از اینترنت اشیا (اینترنت اشیا) برای مثال زدن الگوریتم های مختلف استفاده خواهیم کرد. برای گذراندن دوره، حتی باید داده های حسگر ارتعاش خود را با استفاده از حسگرهای شتاب سنج در گوشی هوشمند خود ایجاد کنید. بنابراین شما در طول دوره بر روی یک مجموعه داده واقعی و خودساخته کار می کنید. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، نشان دیجیتال IBM نیز دریافت خواهید کرد. برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید.

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

در اولین دوره تخصص یادگیری ماشین، شما: • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های معروف یادگیری ماشین NumPy و scikit-learn. • ساخت و آموزش مدل‌های یادگیری ماشینی تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک 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 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.

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

مطالعه موردی - پیش بینی قیمت مسکن در اولین مطالعه موردی ما، پیش‌بینی قیمت خانه، مدل‌هایی ایجاد می‌کنید که یک مقدار پیوسته (قیمت) را از ویژگی‌های ورودی (فیلم مربع، تعداد اتاق خواب و حمام،...) پیش‌بینی می‌کنند. این تنها یکی از مکان‌هایی است که می‌توان از رگرسیون استفاده کرد. کاربردهای دیگر از پیش‌بینی نتایج سلامت در پزشکی، قیمت سهام در امور مالی، و استفاده از توان در محاسبات با کارایی بالا تا تجزیه و تحلیل اینکه کدام تنظیم‌کننده برای بیان ژن مهم است، متغیر است. در این دوره، مدل های رگرسیون خطی منظم شده را برای کار پیش بینی و انتخاب ویژگی بررسی خواهید کرد. شما قادر خواهید بود مجموعه‌های بسیار بزرگی از ویژگی‌ها را مدیریت کنید و بین مدل‌هایی با پیچیدگی‌های مختلف انتخاب کنید. شما همچنین تأثیر جنبه‌های داده‌های خود - مانند مقادیر دورافتاده - بر مدل‌ها و پیش‌بینی‌های انتخابی خود را تجزیه و تحلیل خواهید کرد. برای تناسب با این مدل‌ها، الگوریتم‌های بهینه‌سازی را پیاده‌سازی خواهید کرد که به مجموعه داده‌های بزرگ مقیاس می‌شوند. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل رگرسیونی را شرح دهید. -مقایسه و کنتراست سوگیری و واریانس هنگام مدل‌سازی داده‌ها. -برآورد پارامترهای مدل با استفاده از الگوریتم های بهینه سازی. تنظیم پارامترها با اعتبار سنجی متقابل. -تحلیل عملکرد مدل - مفهوم پراکندگی و اینکه چگونه LASSO منجر به راه حل های پراکنده می شود را توضیح دهید. -استقرار روش ها برای انتخاب بین مدل ها. -از مدل برای ایجاد پیش بینی بهره برداری کنید. - ساخت یک مدل رگرسیون برای پیش بینی قیمت ها با استفاده از مجموعه داده مسکن. -این تکنیک ها را در پایتون پیاده سازی کنید.

آیا می خواهید حجم داده هایی را که جمع آوری کرده اید درک کنید؟ آیا باید تصمیمات مبتنی بر داده را در فرآیند خود بگنجانید؟ این دوره مروری بر تکنیک های یادگیری ماشین برای کاوش، تجزیه و تحلیل و استفاده از داده ها ارائه می دهد. شما با ابزارها و الگوریتم‌هایی آشنا می‌شوید که می‌توانید از آنها برای ایجاد مدل‌های یادگیری ماشینی که از داده‌ها یاد می‌گیرند، استفاده کنید و آن مدل‌ها را تا مشکلات داده‌های بزرگ مقیاس کنید. در پایان دوره، شما قادر خواهید بود: • با استفاده از مراحل فرآیند یادگیری ماشین، رویکردی برای استفاده از داده ها طراحی کنید. • از تکنیک های یادگیری ماشین برای کاوش و آماده سازی داده ها برای مدل سازی استفاده کنید. • نوع مشکل یادگیری ماشین را به منظور اعمال مجموعه تکنیک های مناسب شناسایی کنید. • مدل هایی بسازید که از داده ها با استفاده از ابزارهای منبع باز گسترده در دسترس یاد می گیرند. • مشکلات کلان داده را با استفاده از الگوریتم های یادگیری ماشینی مقیاس پذیر در Spark تجزیه و تحلیل کنید. نرم افزار مورد نیاز: Cloudera VM، KNIME، Spark

این دوره شما را با یکی از انواع اصلی یادگیری ماشینی آشنا می کند: یادگیری بدون نظارت. شما یاد خواهید گرفت که چگونه از مجموعه داده هایی که متغیر هدف یا برچسب گذاری شده ندارند، بینش پیدا کنید. چندین الگوریتم خوشه بندی و کاهش ابعاد را برای یادگیری بدون نظارت و همچنین نحوه انتخاب الگوریتمی که به بهترین وجه با داده های شما مطابقت دارد، یاد خواهید گرفت. بخش عملی این دوره بر استفاده از بهترین شیوه ها برای یادگیری بدون نظارت متمرکز است. در پایان این دوره شما باید بتوانید: انواع مشکلات مناسب برای رویکردهای یادگیری بدون نظارت را توضیح دهید نفرین ابعاد را توضیح دهید و اینکه چگونه خوشه بندی را با بسیاری از ویژگی ها دشوار می کند توصیف و استفاده از الگوریتم های متداول خوشه بندی و کاهش ابعاد در صورت لزوم، نقاط خوشه‌بندی را امتحان کنید، عملکرد مدل‌های هر خوشه را مقایسه کنید معیارهای مربوط به توصیف خوشه ها را درک کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های یادگیری ماشینی بدون نظارت در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

Este curso tem uma abordagem realista para o fluxo de trabalho de ML usando um estudo de caso em que uma equipe tem vários casos de uso e exigências comerciais em ML. Essa equipe precisa conhecer as ferramentas necessárias برای یک حکومت و یا گرنسیامنتو د دادوس و تصمیم گیری یک ملهور ابوردجم برای فرآیندهای کاری. A equipe terá três opções para criar modelos de ML em dois casos de uso. Neste curso، explicamos quando usar o AutoML، o BigQuery ML یا Treinamento personalizado برای alcançar osjetivos.

یادگیری ماشینی تیم شما به آن نیاز دارد، رئیس شما به آن نیاز دارد و حرفه شما آن را دوست دارد. به هر حال، لینکدین آن را به عنوان یکی از معدود «مهارت‌هایی که شرکت‌ها بیشتر به آن نیاز دارند» و به عنوان برترین شغل در حال ظهور در ایالات متحده معرفی می‌کند. اگر می خواهید در استقرار یادگیری ماشین (معروف به تجزیه و تحلیل پیش بینی کننده) شرکت کنید، باید نحوه کارکرد آن را بیاموزید. حتی اگر به‌عنوان یک رهبر کسب‌وکار به جای یک متخصص عملی کار می‌کنید - حتی اگر خودتان اعداد را خرد نکنید - باید مکانیزم‌های اساسی را درک کنید تا به هدایت پروژه کلی کمک کنید. چه یک مدیر اجرایی، تصمیم گیرنده یا مدیر عملیاتی باشید که بر نحوه ادغام مدل های پیش بینی برای تصمیم گیری نظارت می کنید، هرچه بیشتر بدانید، بهتر است. و با این حال، نگاه کردن به زیر کاپوت شما را خوشحال خواهد کرد. علم نهفته در یادگیری ماشینی باعث فتنه و شگفتی می شود و درک شهودی آن کار سختی نیست. با توجه به رشد سریع تاثیر آن بر جهان، زمان آن رسیده است که قدرت پیش‌بینی داده‌ها و نحوه بهره‌برداری علمی از آن را کشف کنیم. این دوره به شما نشان می دهد که یادگیری ماشین چگونه کار می کند. این زیربنای اساسی، نحوه جمع‌آوری بینش‌ها از داده‌ها، اینکه چگونه می‌توانیم به این بینش‌ها اعتماد کنیم، و اینکه مدل‌های پیش‌بینی چقدر خوب عمل می‌کنند را پوشش می‌دهد - که می‌توان با محاسبات بسیار ساده آن را ایجاد کرد. اینها چیزهایی است که هر حرفه ای باید بداند، علاوه بر مقادیر. و این دوره فراتر از استانداردهای یادگیری ماشین ادامه می‌یابد تا روش‌های پیشرفته و پیشرفته را نیز پوشش دهد، و همچنین شما را برای دور زدن دام‌های رایجی که به ندرت به آن توجه می‌کنند، آماده می‌کند. این دوره عمیقاً به این موضوعات می پردازد، و در عین حال برای فراگیران غیر فنی و تازه واردان قابل دسترسی است. با این دوره، یاد خواهید گرفت که چه چیزهایی کار می کنند و چه چیزهایی خوب، بد و مبهم: - نحوه عملکرد الگوریتم های مدل سازی پیش بینی، از جمله درخت های تصمیم، رگرسیون لجستیک و شبکه های عصبی - دام های خیانت آمیز مانند بیش از حد، هک کردن p، و فرض علت از همبستگی ها - چگونه یک مدل پیش بینی را با جزئیات تفسیر کنیم و نحوه عملکرد آن را توضیح دهیم - روش‌های پیشرفته مانند گروه‌ها و مدل‌سازی بالابرنده (با نام مستعار مدل‌سازی متقاعدسازی) – نحوه انتخاب ابزار، انتخاب از میان بسیاری از گزینه های نرم افزار یادگیری ماشین - نحوه ارزیابی یک مدل پیش بینی، گزارش عملکرد آن در شرایط تجاری – نحوه غربالگری یک مدل پیش‌بینی برای سوگیری احتمالی در برابر کلاس‌های محافظت‌شده – با نام اخلاق AI در عمق و در عین حال قابل دسترسی است. این برنامه درسی که توسط رهبر صنعت اریک سیگل - برنده جوایز تدریس در زمان استادی در دانشگاه کلمبیا - به شما ارائه شد، به عنوان یکی از کامل‌ترین، جذاب‌ترین و به‌طور شگفت‌انگیزترین برنامه‌های درسی در موضوع یادگیری ماشینی برجسته است. بدون دستی و بدون ریاضیات سنگین. این دوره به جای یک آموزش عملی، به رهبران کسب و کار و دانشمندان در حال رشد داده به طور یکسان با پوشش گسترده ای از تکنیک های پیشرفته و مخرب ترین دام ها خدمت می کند. هیچ تمرینی برای کدنویسی یا استفاده از نرم افزار یادگیری ماشین وجود ندارد. با این حال، برای یکی از ارزیابی‌ها، یک تمرین عملی انجام می‌دهید، یک مدل پیش‌بینی را با دست در Excel یا Google Sheets ایجاد می‌کنید و نحوه بهبود آن را در مقابل چشمان خود تجسم می‌کنید. اما فراگیران فنی باید نگاهی دیگر بیندازند. قبل از اینکه مستقیماً وارد عمل شوید، همانطور که کوانت ها تمایل به انجام آن دارند، یک چیز را در نظر بگیرید: این برنامه درسی دانش تکمیلی را ارائه می دهد که همه فناوران بزرگ نیز باید بر آن مسلط شوند. این فناوری اصلی را با یک چارچوب مفهومی قوی مرتبط می‌کند و موضوعاتی را پوشش می‌دهد که به طور کلی حتی از فنی‌ترین دوره‌ها حذف می‌شوند، از جمله مدل‌سازی ارتقاء (معروف به مدل‌سازی متقاعد کردن) و برخی از دام‌های خائنانه. فروشنده-خنثی. این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود. پیش نیازها قبل از این دوره، فراگیران باید دو دوره اول از سه دوره این تخصص، "قدرت یادگیری ماشین" و "راه اندازی یادگیری ماشینی" را بگذرانند.

یکی از رایج ترین کارهایی که توسط دانشمندان داده و تحلیلگران داده انجام می شود، پیش بینی و یادگیری ماشین است. این دوره مولفه های اساسی ساخت و کاربرد توابع پیش بینی را با تاکید بر کاربردهای عملی پوشش می دهد. این دوره در مفاهیمی مانند مجموعه های آموزشی و آزمایشی، تطبیق بیش از حد، و میزان خطا، پایه های اساسی را ارائه می دهد. این دوره همچنین طیف وسیعی از روش‌های یادگیری ماشینی مبتنی بر مدل و الگوریتمی از جمله رگرسیون، درختان طبقه‌بندی، Naive Bayes و جنگل‌های تصادفی را معرفی می‌کند. این دوره فرآیند کامل ساخت توابع پیش بینی شامل جمع آوری داده ها، ایجاد ویژگی، الگوریتم ها و ارزیابی را پوشش می دهد.

پروژه های یادگیری ماشینی (ML) می تواند پیچیده، خسته کننده و زمان بر باشد. AWS و NVIDIA این چالش را با قابلیت‌های سریع، مؤثر و آسان برای پروژه ML شما حل می‌کنند. این دوره برای پزشکان ML، از جمله دانشمندان داده و توسعه دهندگان، که دانش کاری در مورد گردش کار یادگیری ماشین دارند، طراحی شده است. در این دوره، شما تجربه عملی در ساخت، آموزش و استقرار مدل‌های یادگیری ماشینی مقیاس‌پذیر با نمونه‌های Amazon SageMaker و Amazon EC2 که توسط پردازنده‌های گرافیکی NVIDIA ارائه می‌شوند، به دست خواهید آورد. Amazon SageMaker به دانشمندان و توسعه دهندگان داده کمک می کند تا با گردآوری مجموعه گسترده ای از قابلیت های ساخته شده برای ML، مدل های ML با کیفیت بالا را به سرعت آماده، بسازند، آموزش دهند و به کار گیرند. نمونه‌های آمازون EC2 که توسط پردازنده‌های گرافیکی NVIDIA به همراه نرم‌افزار NVIDIA ارائه می‌شوند، نمونه‌های بهینه‌شده برای GPU با کارایی بالا را در فضای ابری برای آموزش مدل کارآمد و میزبانی استنتاج مدل مقرون‌به‌صرفه ارائه می‌کنند. در این دوره ابتدا مروری بر پردازنده های گرافیکی Amazon SageMaker و NVIDIA خواهید داشت. سپس، با اجرای یک نمونه نوت بوک آمازون SageMaker مجهز به GPU، به کار عملی دست خواهید یافت. سپس یاد خواهید گرفت که چگونه یک مجموعه داده برای آموزش مدل آماده کنید، یک مدل بسازید، آموزش مدل را اجرا کنید، و مدل ML را به کار بگیرید و بهینه کنید. همچنین به صورت عملی یاد خواهید گرفت که چگونه این گردش کار را برای موارد استفاده بینایی کامپیوتر (CV) و پردازش زبان طبیعی (NLP) اعمال کنید. پس از اتمام این دوره، می‌توانید گردش‌های کاری ML را با شتاب GPU در آمازون SageMaker بسازید، آموزش دهید، مستقر کنید و بهینه‌سازی کنید و خدمات کلیدی Amazon SageMaker را که برای کارهای بینایی کامپیوتر و NLP ML قابل اجرا هستند، درک کنید.