مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

 کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

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.

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

 

پیش نیازهای پیشنهادی

• آشنایی کلی با یادگیری ماشینی تحت نظارت
• درک عباراتی مانند متغیر هدف، متغیر ورودی، الگوریتم و پارتیشن قطار/آزمایش

درخت‌های تصمیم شفاف هستند، در هر پلتفرمی در دسترس هستند و برای تکنیک‌های پیشرفته‌تر مانند جنگل‌های تصادفی و XGBoost پایه‌ای هستند. و اگر شما یک دانشمند داده هستید که به دنبال تمرکز بر یادگیری ماشینی هستید، مسلماً موضوع بهتری برای شروع سفر یادگیری شما وجود ندارد. در این دوره، اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را بیاموزید. در طول مسیر، مربی کیت مک کورمیک با استفاده از پلتفرم KNIME Analytics نمایش هایی ارائه می دهد، بنابراین می توانید نحوه عملکرد این مفاهیم را در سناریوهای دنیای واقعی درک کنید.

 به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

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.

با سرویس‌های وب آمازون (AWS) به یادگیری ماشینی عمیق‌تر بپردازید. در این دوره عملی، مربی جاناتان فرناندز به شما کمک می‌کند تا با وظایف رایج یادگیری ماشین آشنا شوید و نحوه نزدیک شدن به هر یک را با استفاده از تکنیک‌های کلیدی نشان می‌دهد: طبقه‌بندی باینری، طبقه‌بندی چند کلاسه و رگرسیون. در طول دوره، او چندین نمونه را با استفاده از مجموعه داده های Kaggle برای کاوش عملی بررسی می کند. به علاوه، او برخی مفاهیم ضروری یادگیری ماشین را بررسی می‌کند و به شما کمک می‌کند تا با سایر قابلیت‌های AWS، از جمله SageMaker و Deep Learning AMI آشنا شوید.

با استفاده از پایتون برای شیرجه زدن به دنیای یادگیری ماشینی (ML) آماده شوید! این دوره برای شما مناسب است چه بخواهید حرفه علم داده خود را پیش ببرید و چه در یادگیری ماشین و یادگیری عمیق شروع کنید. این دوره با مقدمه ای ملایم بر یادگیری ماشین و چیستی آن، با موضوعاتی مانند یادگیری نظارت شده در مقابل یادگیری بدون نظارت، رگرسیون خطی و غیر خطی، رگرسیون ساده و موارد دیگر آغاز خواهد شد. سپس با استفاده از الگوریتم‌های طبقه‌بندی مختلف، یعنی K-Nearest Neighbors (KNN)، درخت‌های تصمیم‌گیری و رگرسیون لجستیک، به تکنیک‌های طبقه‌بندی می‌پردازید. همچنین با اهمیت و انواع مختلف خوشه بندی مانند k-means، خوشه بندی سلسله مراتبی و DBSCAN آشنا خواهید شد. با تمام مفاهیم بسیاری که یاد خواهید گرفت، تاکید زیادی بر یادگیری عملی خواهد شد. شما با کتابخانه های پایتون مانند SciPy و scikit-learn کار خواهید کرد و دانش خود را از طریق آزمایشگاه ها به کار خواهید برد. در پروژه نهایی شما مهارت های خود را با ساخت، ارزیابی و مقایسه چندین مدل یادگیری ماشین با استفاده از الگوریتم های مختلف نشان خواهید داد. در پایان این دوره، شما مهارت های آماده کار برای اضافه کردن به رزومه و گواهی یادگیری ماشینی برای اثبات شایستگی خود خواهید داشت.

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.

هوش مصنوعی و یادگیری ماشینی در حال تغییر جهان هستند. رایانه‌ها می‌توانند بدون برنامه‌ریزی از داده‌ها «یاد بگیرند» و تصمیمات خودکار و هوشمندانه بگیرند. این فناوری برای کسب‌وکارهای کوچک و بزرگ قابل دسترسی است و تأثیر زیادی بر شیوه بازاریابی شرکت‌ها دارد. با یادگیری ماشین، بازاریابان می‌توانند بسیاری از وظایف را در سفر مشتری، از جمله تقسیم‌بندی مشتری، شخصی‌سازی و حتی قیمت‌گذاری، خودکار کنند. این دوره به افرادی که دارای نقش های فنی، خلاق و رهبری هستند کمک می کند تا بفهمند چگونه یادگیری ماشینی می تواند روش فروش شما به مشتریان B2B و B2C خود را متحول کند. مشاور بازاریابی کریس دالاویلا نشان می دهد که چگونه می توان از یادگیری ماشینی در همه جنبه های بازاریابی، از بهبود تعامل مشتری گرفته تا بهینه سازی بازاریابی مبتنی بر حساب، استفاده کرد. او موارد استفاده عملی را ارائه می‌کند که فناوری را در عمل نشان می‌دهد، و اطلاعات پایه‌ای را که می‌توانید برای بهینه‌سازی همه کمپین‌های خود استفاده کنید، ارائه می‌کند.

آیا علاقه مند به پیش بینی نتایج آینده با استفاده از داده های خود هستید؟ این دوره به شما کمک می کند تا دقیقاً این کار را انجام دهید! یادگیری ماشینی فرآیند توسعه، آزمایش و بکارگیری الگوریتم های پیش بینی برای دستیابی به این هدف است. قبل از فرو رفتن در این مفاهیم یادگیری ماشینی، حتماً با دوره 3 این تخصص آشنا شوید. این دوره بر اساس دوره 3، که دانش آموزان را با مفاهیم یادگیری ماشینی نظارت شده یکپارچه آشنا می کند، مروری بر بسیاری از مفاهیم، ​​تکنیک ها و الگوریتم های اضافی در یادگیری ماشین، از طبقه بندی اولیه تا درخت های تصمیم گیری و خوشه بندی ارائه می دهد. با تکمیل این دوره، یاد خواهید گرفت که چگونه الگوریتم های یادگیری ماشینی را به عنوان روش های جایگزین برای پاسخگویی به سوالات تحقیق خود اعمال، آزمایش و تفسیر کنید.