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 این دوره پروژه اصلی، توالی ژنوم جهش‌های COVID-19 را برای شناسایی مناطق بالقوه ای که درمان دارویی می‌تواند هدف قرار دهد، مقایسه می‌کنیم. اولین گام در کشف دارو شامل شناسایی دنباله های هدف از ژنوم آنها به هدف است. ما با مقایسه ژنوم جهش های ویروس برای جستجوی شباهت ها شروع می کنیم. سپس، ما PCA را برای کاهش تعداد ابعاد خود و شناسایی رایج ترین ویژگی ها انجام می دهیم. در مرحله بعد، از خوشه بندی K-means در پایتون برای یافتن تعداد بهینه گروه ها و ردیابی اصل و نسب ویروس استفاده می کنیم. در نهایت، شباهت بین دنباله‌ها را پیش‌بینی می‌کنیم و از آن برای انتخاب دنباله هدف استفاده می‌کنیم. در طول دوره، هر بخش شامل یک تکلیف برنامه نویسی همراه با یک ویدیوی راهنما و نکات مفید خواهد بود. در پایان، شما به خوبی در مسیر کشف راه های مبارزه با بیماری با توالی ژنوم خواهید بود.

دوره "تحلیل خوشه بندی" دانش آموزان را با مفاهیم اساسی یادگیری بدون نظارت با تمرکز بر تکنیک های خوشه بندی و کاهش ابعاد آشنا می کند. شرکت‌کنندگان روش‌های مختلف خوشه‌بندی، از جمله پارتیشن‌بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه‌بندی مبتنی بر شبکه را بررسی خواهند کرد. علاوه بر این، دانش آموزان در مورد تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد یاد خواهند گرفت. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تکنیک های خوشه بندی و کاهش ابعاد در مجموعه داده های متنوع به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت یادگیری بدون نظارت، به ویژه خوشه بندی و کاهش ابعاد. 2. مفاهیم و کاربردهای روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه بندی مبتنی بر شبکه را درک کنید. 3. مبانی ریاضی الگوریتم های خوشه بندی را برای درک عملکرد آنها کاوش کنید. 4. استفاده از تکنیک های خوشه بندی در مجموعه داده های متنوع برای کشف الگو و کاوش داده ها. 5. درک مفهوم کاهش ابعاد و اهمیت آن در کاهش پیچیدگی فضای ویژگی. 6. تجزیه و تحلیل مؤلفه اصلی (PCA) را برای کاهش ابعاد اجرا کنید و فضای ویژگی کاهش یافته را تفسیر کنید. 7. ارزیابی نتایج خوشه بندی و اثربخشی کاهش ابعاد با استفاده از معیارهای عملکرد مناسب. 8. تکنیک های خوشه بندی و کاهش ابعاد را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت خواهند کرد، مهارت‌های تجزیه و تحلیل خوشه‌بندی و کاهش ابعاد خود را تقویت می‌کنند و تجربه عملی در به‌کارگیری این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز می شوند تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از تکنیک های خوشه بندی و کاهش ابعاد تصمیمات آگاهانه بگیرند.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

این دوره در سطح متوسط، مبانی ریاضی را برای استخراج تجزیه و تحلیل مؤلفه اصلی (PCA)، یک تکنیک کاهش ابعاد بنیادی معرفی می‌کند. ما برخی از آمارهای اولیه مجموعه داده‌ها را پوشش می‌دهیم، مانند مقادیر میانگین و واریانس، فاصله‌ها و زوایای بین بردارها را با استفاده از محصولات داخلی محاسبه می‌کنیم و پیش‌بینی‌های متعامد داده‌ها را بر روی فضاهای فرعی با ابعاد پایین‌تر استخراج می‌کنیم. با استفاده از همه این ابزارها، ما PCA را به عنوان روشی استخراج می کنیم که میانگین مربعات خطای بازسازی بین نقاط داده و بازسازی آنها را به حداقل می رساند. در پایان این دوره، شما با مفاهیم مهم ریاضی آشنا می شوید و می توانید PCA را به تنهایی پیاده سازی کنید. اگر مشکل دارید، مجموعه‌ای از نوت‌بوک‌های ژوپیتر را پیدا خواهید کرد که به شما امکان می‌دهند ویژگی‌های تکنیک‌ها را کشف کنید و آنچه را که برای رسیدن به مسیر باید انجام دهید، راهنمایی کنید. اگر قبلاً متخصص هستید، این دوره ممکن است بخشی از دانش شما را تازه کند. سخنرانی ها، مثال ها و تمرین ها نیاز دارند: 1. برخی از توانایی های تفکر انتزاعی 2. پیشینه خوب در جبر خطی (به عنوان مثال جبر ماتریسی و برداری، استقلال خطی، مبنا) 3. پیشینه اساسی در حساب چند متغیره (به عنوان مثال، مشتقات جزئی، بهینه سازی اساسی) 4. دانش اولیه در برنامه نویسی پایتون و numpy سلب مسئولیت: این دوره به طور قابل ملاحظه ای انتزاعی تر است و به برنامه نویسی بیشتری نسبت به دو دوره دیگر تخصصی نیاز دارد. با این حال، اگر می‌خواهید الگوریتم‌های یادگیری ماشین را درک و توسعه دهید، این نوع تفکر انتزاعی، دستکاری جبری و برنامه‌نویسی ضروری است.

این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا 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، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل 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: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

به دوره آموزش بدون نظارت و کاربردهای آن در بازاریابی خوش آمدید! در این دوره، به دنیای جذاب یادگیری ماشینی بدون نظارت و ارتباط آن با حوزه بازاریابی خواهید پرداخت. یادگیری بدون نظارت یک رویکرد قدرتمند است که به ما امکان می‌دهد الگوها و بینش‌های پنهان را از مقادیر گسترده داده‌های تاریخی بدون نیاز به برچسب‌های صریح یا مداخله انسانی کشف کنیم. از طریق تمرین‌های عملی و مثال‌های واقعی، یاد خواهید گرفت که چگونه از زبان برنامه‌نویسی پایتون برای اعمال الگوریتم‌های یادگیری بدون نظارت در زمینه‌های بازاریابی استفاده کنید. در طول دوره، تکنیک‌های مختلف یادگیری بدون نظارت، مانند خوشه‌بندی، کاهش ابعاد، و کاوی قواعد تداعی را بررسی خواهید کرد. این تکنیک‌ها شما را قادر می‌سازد تا بخش‌های مشتری را شناسایی کنید، روابط معنادار بین متغیرها را کشف کنید و بینش‌های ارزشمندی در مورد رفتار مصرف‌کننده به دست آورید. با تسلط بر کاربردهای یادگیری بدون نظارت در بازاریابی، مهارت هایی را برای استخراج دانش عملی از داده ها، اتخاذ تصمیمات مبتنی بر داده و باز کردن فرصت های جدید برای استراتژی های بازاریابی خود به دست خواهید آورد. بنابراین، با کاوش در دنیای جذاب یادگیری بدون نظارت و کاربردهای متحول کننده آن در بازاریابی، آماده سفری اکتشافی و نوآوری شوید. بیایید با هم غواصی کنیم و پتانسیل پنهان بازاریابی مبتنی بر داده را باز کنیم! برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله Anaconda Navigator نیاز دارید.

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.