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.

این دوره برای افراد درگیر در یادگیری ماشین و علاقه مند به کاربردهای پزشکی یا بالعکس، متخصصان پزشکی که علاقه مند به روش هایی هستند که علوم کامپیوتر مدرن به رشته خود ارائه می دهند، در نظر گرفته شده است. ما تجزیه و تحلیل داده های سلامت، انواع مختلف شبکه های عصبی، و همچنین آموزش و کاربرد شبکه های عصبی را در سناریوهای پزشکی دنیای واقعی پوشش خواهیم داد. ما روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی را با استفاده از روش های DL پوشش می دهیم. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

"درختان، SVM و یادگیری بدون نظارت" به گونه ای طراحی شده است که شالوده ای محکم در ماشین های بردار پشتیبان، شبکه های عصبی، درختان تصمیم گیری و تقویت XG به متخصصان کار ارائه دهد. از طریق آموزش های عمیق و تجربه عملی عملی، یاد خواهید گرفت که چگونه با استفاده از این تکنیک ها مدل های پیش بینی قدرتمند بسازید و مزایا و معایب هر کدام را درک کنید. این دوره همچنین نحوه و زمان اعمال آنها را در سناریوهای مختلف، از جمله طبقه بندی باینری و کلاس های K> 2 را پوشش می دهد. علاوه بر این، تجربه ارزشمندی در تولید نمایش داده ها از طریق PCA و خوشه بندی به دست خواهید آورد. این دوره با تمرکز بر کاربردهای عملی و دنیای واقعی، دارایی ارزشمندی برای هر کسی است که به دنبال ارتقاء مهارت یا حرکت در زمینه علم داده است. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

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.

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

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.

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.

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.

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.

این دوره به شما مقدمه ای جامع برای تئوری و عمل یادگیری ماشین می دهد. شما یاد خواهید گرفت که از پایتون در کنار کتابخانه ها و ابزارهای استاندارد صنعتی، از جمله Pandas، Scikit-learn و Tensorflow برای جذب، کاوش، و آماده سازی داده ها برای مدل سازی و سپس آموزش و ارزیابی مدل ها با استفاده از طیف گسترده ای از تکنیک ها استفاده کنید. این تکنیک ها شامل رگرسیون خطی با حداقل مربعات معمولی، رگرسیون لجستیک، ماشین های بردار پشتیبان، درختان تصمیم گیری و مجموعه ها، خوشه بندی، تحلیل مولفه های اصلی، مدل های مارکوف پنهان و یادگیری عمیق است. یکی از ویژگی‌های کلیدی این دوره این است که شما نه تنها یاد می‌گیرید که چگونه این تکنیک‌ها را به کار ببرید، بلکه پایه‌های مفهومی زیربنای آنها را نیز یاد می‌گیرید تا درک کنید که چگونه کار می‌کنند، چرا کاری را انجام می‌دهید، و نتایج شما به چه معناست. این دوره همچنین دارای مجموعه داده های دنیای واقعی است که عمدتاً از قلمرو سیاست عمومی استخراج شده است. این بر اساس یک دوره مقدماتی یادگیری ماشین ارائه شده به دانشجویان فارغ التحصیل در دانشگاه شیکاگو است و به عنوان پایه ای قوی برای مطالعه عمیق تر و تخصصی تر عمل می کند.