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.

یادگیری ماشینی که اغلب هوش مصنوعی یا هوش مصنوعی نامیده می شود، یکی از هیجان انگیزترین حوزه های فناوری در حال حاضر است. ما اخبار روزانه را می بینیم که خبر از پیشرفت های جدیدی در فناوری تشخیص چهره، اتومبیل های خودران یا رایانه هایی می دهد که می توانند مانند یک شخص واقعی گفتگو کنند. فناوری یادگیری ماشین تقریباً در هر زمینه‌ای از زندگی و کار انسان متحول می‌شود و به همین ترتیب بر زندگی ما تأثیر می‌گذارد، بنابراین احتمالاً می‌خواهید درباره آن اطلاعات بیشتری کسب کنید. یادگیری ماشینی به عنوان یکی از پیچیده ترین حوزه های علوم کامپیوتر شهرت دارد که برای درک آن به ریاضیات و مهارت های مهندسی پیشرفته نیاز دارد. در حالی که درست است که کار به عنوان یک مهندس یادگیری ماشین شامل ریاضیات و برنامه نویسی زیادی می شود، ما معتقدیم که هر کسی می تواند مفاهیم اساسی یادگیری ماشین را درک کند و با توجه به اهمیت این فناوری، همه باید آن را درک کنند. پیشرفت‌های بزرگ هوش مصنوعی مانند داستان‌های علمی تخیلی به نظر می‌رسند، اما به یک ایده ساده می‌رسند: استفاده از داده‌ها برای آموزش الگوریتم‌های آماری. در این دوره شما یاد خواهید گرفت که ایده اصلی یادگیری ماشین را درک کنید، حتی اگر هیچ پیش زمینه ای در زمینه ریاضی یا برنامه نویسی نداشته باشید. نه تنها این، شما از ابزارهای کاربر پسند توسعه یافته در گلدسمیتز، دانشگاه لندن استفاده کرده و از آنها برای انجام یک پروژه یادگیری ماشینی استفاده خواهید کرد: آموزش رایانه برای تشخیص تصاویر. این دوره برای افراد مختلف است. این می تواند اولین قدم خوبی برای ورود به حرفه فنی در یادگیری ماشین باشد، به هر حال همیشه بهتر است قبل از جزئیات فنی با مفاهیم سطح بالا شروع کنید، اما اگر نقش شما غیر فنی باشد نیز عالی است. شما ممکن است یک مدیر یا نقش غیر فنی دیگری در شرکتی باشید که در حال بررسی استفاده از یادگیری ماشینی است. شما واقعاً نیاز به درک این فناوری دارید و این دوره مکانی عالی برای دریافت این درک است. یا ممکن است فقط گزارش های خبری در مورد هوش مصنوعی را دنبال کنید و علاقه مند به کسب اطلاعات بیشتر در مورد داغ ترین فناوری جدید حال باشید. هر کسی که هستید، ما مشتاقانه منتظر راهنمایی شما در اولین پروژه یادگیری ماشین هستیم. توجه داشته باشید که این دوره برای معرفی شما با یادگیری ماشینی بدون نیاز به برنامه نویسی طراحی شده است. این بدان معناست که ما ابزارهای یادگیری ماشین مبتنی بر برنامه نویسی مانند پایتون و تنسورفلو را پوشش نمی دهیم.

دیدگاه ها و روش های داده کاوی را در زمینه مراقبت های بهداشتی بررسی می کند. مبانی نظری روش های اصلی داده کاوی را معرفی می کند و نحوه انتخاب و استفاده از روش داده کاوی مناسب و مزایای عمده هر کدام را مطالعه می کند. دانش آموزان با برنامه های کاربردی نرم افزار داده کاوی معاصر و مهارت های برنامه نویسی اولیه آشنا می شوند. بر حل مشکلات دنیای واقعی که نیاز به پاکسازی داده ها، تبدیل داده ها و مدل سازی داده ها دارند، تمرکز می کند.

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.

در این دوره، ما تمام تکنیک های اصلی مورد نیاز برای استفاده موثر از H2O را یاد خواهیم گرفت. حتی اگر هیچ تجربه قبلی از یادگیری ماشین نداشته باشید، حتی اگر ریاضی شما ضعیف باشد، در پایان این دوره می توانید مدل های یادگیری ماشینی را با استفاده از الگوریتم های مختلف بسازید. ما از مدل های خطی، جنگل تصادفی، GBM و البته یادگیری عمیق و همچنین برخی از الگوریتم های یادگیری بدون نظارت استفاده خواهیم کرد. همچنین می‌توانید مدل‌های خود را ارزیابی کنید و بهترین مدل را انتخاب کنید تا نه تنها با داده‌های خود، بلکه با سایر محدودیت‌های تجاری که ممکن است تحت آن قرار داشته باشید، مطابقت داشته باشد.

این دوره شما را با مهارت‌های مقیاس‌بندی وظایف علم داده و یادگیری ماشین (ML) در مجموعه‌های کلان داده با استفاده از اسپارک آپاچی توانمند می‌سازد. بیشتر کارهای یادگیری ماشین در دنیای واقعی شامل مجموعه داده های بسیار بزرگی است که فراتر از محدودیت های CPU، حافظه و ذخیره سازی یک کامپیوتر است. Apache Spark یک چارچوب متن باز است که از محاسبات خوشه ای و ذخیره سازی توزیع شده برای پردازش مجموعه داده های بسیار بزرگ به شیوه ای کارآمد و مقرون به صرفه استفاده می کند. بنابراین دانش کاربردی کار با Apache Spark یک دارایی عالی و تمایز بالقوه برای یک مهندس یادگیری ماشین است. پس از اتمام این دوره، شما قادر خواهید بود: - درک عملی Apache Spark را به دست آورید و از آن برای حل مشکلات یادگیری ماشینی که شامل داده های کوچک و بزرگ هستند استفاده کنید. - درک نحوه نوشتن کد موازی که قادر به اجرا بر روی هزاران CPU است. - از خوشه های محاسباتی در مقیاس بزرگ برای اعمال الگوریتم های یادگیری ماشین بر روی پتابایت داده با استفاده از Apache SparkML Pipelines استفاده کنید. - حذف خطاهای خارج از حافظه ایجاد شده توسط چارچوب های یادگیری ماشین سنتی، زمانی که داده ها در حافظه اصلی رایانه جا نمی شوند. - هزاران مدل مختلف ML را به صورت موازی آزمایش کنید تا بهترین عملکرد را پیدا کنید - تکنیکی که توسط بسیاری از کاگلرهای موفق استفاده می شود. - (اختیاری) دستورات SQL را با استفاده از Apache SparkSQL و Apache Spark DataFrame API روی مجموعه داده های بسیار بزرگ اجرا کنید. برای یادگیری تکنیک های یادگیری ماشینی برای کار با Big Data که توسط شرکت هایی مانند Alibaba، Apple، Amazon، Baidu، eBay، IBM، NASA، Samsung، SAP، TripAdvisor، Yahoo!، Zalando و بسیاری دیگر با موفقیت به کار گرفته شده اند، اکنون ثبت نام کنید. توجه: در طول دوره بدون پرداخت هزینه در کلاستر Apache Spark که توسط IBM ارائه شده است، کارهای یادگیری ماشین را بصورت دستی تمرین خواهید کرد و پس از آن می توانید به استفاده از آن ادامه دهید. پیش نیازها: - برنامه نویسی پایه پایتون - یادگیری ماشین اولیه (فیلم های معرفی اختیاری در این دوره نیز ارائه شده است) - مهارت های اولیه SQL برای محتوای اختیاری دوره های زیر قبل از شرکت در این کلاس توصیه می شود (مگر اینکه قبلاً مهارت داشته باشید) https://www.coursera.org/learn/python-for-applied-data-science یا مشابه https://www.coursera.org/learn/machine-learning-with-python یا مشابه https://www.coursera.org/learn/sql-data-science برای سخنرانی های اختیاری

 دانشمندان داده و متخصصان یادگیری ماشین باید با آخرین تکنیک ها و رویکردها در این زمینه همگام بمانند. در این دوره، مربی کیت مک کورمیک به شما نشان می دهد که چگونه راه حل های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشینی قابل تفسیر (IML) را تولید کنید.

یاد بگیرید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش است. روش‌های موجود و تکنیک‌های رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالش‌ها و فرصت‌های مدل‌های جعبه سیاه راهنمایی می‌کند و به شما نشان می‌دهد که چگونه شفافیت را به مدل‌های خود بیاورید و از نمونه‌های واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان می‌دهند. در پایان این دوره، شما درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.

مطالعات موردی: یافتن اسناد مشابه یک خواننده به یک مقاله خبری خاص علاقه دارد و شما می خواهید مقالات مشابهی را برای توصیه پیدا کنید. تصور درست از شباهت چیست؟ علاوه بر این، اگر میلیون ها سند دیگر وجود داشته باشد چه؟ هر بار که می‌خواهید یک سند جدید را بازیابی کنید، آیا باید در میان سایر اسناد جستجو کنید؟ چگونه اسناد مشابه را با هم گروه بندی می کنید؟ چگونه موضوعات جدید و نوظهوری را که اسناد پوشش می دهند کشف می کنید؟ در این مطالعه موردی سوم، با یافتن اسناد مشابه، الگوریتم های مبتنی بر شباهت را برای بازیابی بررسی خواهید کرد. در این دوره، شما همچنین نمایش های ساختار یافته برای توصیف اسناد موجود در مجموعه، از جمله خوشه بندی و مدل های عضویت ترکیبی، مانند تخصیص دیریکله پنهان (LDA) را بررسی خواهید کرد. شما برای یادگیری خوشه‌بندی اسناد، حداکثرسازی انتظارات (EM) را پیاده‌سازی خواهید کرد و نحوه مقیاس‌بندی روش‌ها را با استفاده از MapReduce مشاهده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: ایجاد یک سیستم بازیابی اسناد با استفاده از k-نزدیکترین همسایه. -شناسایی معیارهای شباهت مختلف برای داده های متنی. -کاهش محاسبات در جستجوی k-نزدیکترین همسایه با استفاده از درختان KD. با استفاده از هش کردن حساس به محلی، نزدیکترین همسایگان را تقریبی تولید کنید. -مقایسه و مقایسه وظایف یادگیری تحت نظارت و بدون نظارت. -دسته بندی اسناد بر اساس موضوع با استفاده از k-means. - نحوه موازی کردن k-means را با استفاده از MapReduce توضیح دهید. -رویکردهای خوشه‌بندی احتمالی را با استفاده از مدل‌های مخلوط بررسی کنید. - برازش مخلوطی از مدل گاوسی با استفاده از حداکثرسازی انتظار (EM). -انجام مدل‌سازی عضویت مختلط با استفاده از تخصیص دیریکله نهفته (LDA). -مراحل نمونه‌بردار گیبس و نحوه استفاده از خروجی آن برای استنتاج را شرح دهید. -تکنیک های اولیه سازی را برای اهداف بهینه سازی غیر محدب مقایسه و کنتراست کنید. -این تکنیک ها را در پایتون پیاده سازی کنید.