در این دوره آموزشی با سیستم‌های توصیه‌کننده (که برای پروژه Capstone مطالعه خواهیم کرد) آشنا می‌شویم و همچنین مسائل مربوط به استقرار محصولات داده را بررسی خواهیم کرد. در پایان این دوره، شما باید بتوانید یک سیستم توصیه‌گر کار را پیاده‌سازی کنید (مثلاً برای پیش‌بینی رتبه‌بندی، یا تولید فهرست‌های محصولات مرتبط)، و باید ابزارها و تکنیک‌های مورد نیاز برای استقرار چنین سیستم کاری در دنیای واقعی را بدانید. ، مجموعه داده های در مقیاس بزرگ. این دوره آخرین دوره در محصولات Python Data Products for Predictive Analytics است که بر اساس سه دوره قبلی (پردازش و تجسم داده های پایه، تفکر طراحی و تجزیه و تحلیل پیش بینی برای محصولات داده، و مدل سازی پیش بینی معنادار) ساخته شده است. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

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.

توصیه های خودکار در همه جا وجود دارد: نتفلیکس، آمازون، یوتیوب و موارد دیگر. سیستم‌های توصیه‌کننده درباره علایق منحصربه‌فرد شما می‌آموزند و محصولات یا محتوایی را که فکر می‌کنند بیشتر دوست دارید نشان می‌دهند. کشف کنید که چگونه می توانید سیستم های توصیه کننده خود را از یکی از پیشگامان در این زمینه بسازید. فرانک کین بیش از 9 سال را در آمازون گذراند، جایی که او توسعه بسیاری از فناوری‌های سفارشی محصول شخصی‌شده شرکت را رهبری کرد. در این دوره، او الگوریتم‌های توصیه مبتنی بر فیلتر مشارکتی مبتنی بر همسایگی و تکنیک‌های مدرن‌تر، از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکه‌های عصبی مصنوعی را پوشش می‌دهد. در طول مسیر، می‌توانید از تجربه گسترده فرانک در صنعت بیاموزید و چالش‌های دنیای واقعی استفاده از این الگوریتم‌ها را در مقیاس بزرگ با داده‌های دنیای واقعی درک کنید. همچنین می‌توانید با استفاده از فناوری‌هایی مانند Amazon DSSTNE، AWS SageMaker و TensorFlow، چارچوب خود را برای آزمایش الگوریتم‌ها توسعه دهید و شبکه‌های عصبی خود را بسازید.

این دوره که به عنوان اولین دوره در تخصص سیستم های توصیه گر طراحی شده است، مفهوم سیستم های توصیه گر را معرفی می کند، چندین مثال را به طور مفصل بررسی می کند و شما را از طریق توصیه های غیر شخصی با استفاده از آمار خلاصه و انجمن های محصول، مبتنی بر کلیشه های اولیه راهنمایی می کند. یا توصیه های جمعیت شناختی، و توصیه های فیلترینگ مبتنی بر محتوا. پس از اتمام این دوره، می‌توانید با استفاده از ابزارهای صفحه گسترده اولیه، توصیه‌های مختلفی را از مجموعه داده‌ها محاسبه کنید، و اگر مسیر افتخارات را تکمیل کنید، این توصیه‌ها را نیز با استفاده از جعبه ابزار توصیه‌گر LensKit منبع باز برنامه‌ریزی کرده‌اید. علاوه بر سخنرانی‌های مفصل و تمرین‌های تعاملی، این دوره دارای مصاحبه با چندین رهبر در تحقیق و عمل در مورد موضوعات پیشرفته و جهت‌های جاری در سیستم‌های توصیه‌گر است.

این دوره به معرفی فن آوری های پشت وب و موتورهای جستجو می پردازد، از جمله نمایه سازی اسناد، جستجو و رتبه بندی. همچنین معیارهای عملکرد متفاوتی را برای ارزیابی کیفیت جستجو، روش‌هایی برای درک مقاصد کاربر و معانی اسناد، و برنامه‌های کاربردی پیشرفته از جمله سیستم‌های توصیه و خلاصه‌سازی یاد خواهید گرفت. مثال‌های واقعی و مطالعات موردی برای تقویت درک الگوریتم‌های جستجو ارائه شده‌اند.

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.