دوره آموزشی انتخاب رویکرد مناسب یادگیری ماشین برای کیس تجاری شما با استفاده از ISO/IEC 25053:2022

جزئیات دوره

در این دوره، مدرس لیرون اندروز به شما نشان می‌دهد که چگونه می‌توانید اجزای سیستم یادگیری ماشین (ML) و نقش آن‌ها در اکوسیستم هوش مصنوعی (AI) را توصیف کنید. این دوره شامل شناسایی انواع مختلف یادگیری، از جمله یادگیری عمومی، نظارت‌شده، نظارت‌نشده، و نیمه‌نظارت‌شده یا خودنظارتی است. همچنین مراحل مختلف مرتبط با خط لوله یادگیری ماشین (ML pipeline) را بررسی خواهید کرد. در این مسیر، با بینش‌هایی برای ارزیابی نیاز به تشخیص ناهنجاری‌ها و کاهش ابعاد در فرآیند آموزش مدل‌ها آشنا خواهید شد.

لیرون مراحل خط لوله یادگیری ماشین را از دریافت داده‌ها و آماده‌سازی آن‌ها تا مدل‌سازی، تأیید و اعتبارسنجی تشریح می‌کند. در پایان این دوره، شما آماده خواهید بود تا رویکرد مناسب یادگیری ماشین را برای نیازهای منحصر به فرد مورد تجاری خود انتخاب کنید.

اهداف یادگیری
تحلیل داده‌ها برای شناسایی الگوها و ناهنجاری‌هایی که می‌توانند بر مدل یادگیری ماشین شما تأثیر بگذارند.
ایجاد یک خط لوله یادگیری ماشین جامع که تمام مراحل لازم از دریافت داده‌ها تا اعتبارسنجی مدل را شامل شود.
ارزیابی عملکرد الگوریتم‌های مختلف یادگیری نظارت‌شده برای حل مسئله تجاری خاص شما و تعیین رویکرد مؤثرترین آن‌ها.
استفاده از تکنیک‌های کاهش ابعاد برای بهبود کارایی و دقت مدل‌های یادگیری ماشین زمانی که با داده‌های با ابعاد بالا روبرو هستید.
تفکیک بین انواع مختلف رویکردهای یادگیری ماشین و توضیح زمان مناسب استفاده از هرکدام در سناریوهای دنیای واقعی.

سرفصل ها

0. مقدمه

01 - چرا نیاز به رویکرد فرآیند ML وجود دارد

1. اصطلاحات، تعاریف، و نمای کلی

02 - مروری بر بندها، اصطلاحات و تعاریف (بندهای 3-5)

2. سیستم‌های یادگیری ماشین

03 - وظیفه و کلی (بند 6-6.2)
04 - جزئیات کار (بندهای 6.2.2-6.2.7)
05 - مدل ML (بند 6.3)
06 - داده‌های ML (بند 6.4)
07 - ابزارها و آماده سازی داده‌ها (بندهای 6.5-6.5.2)
08 - ماشین‌های بردار پشتیبانی ML (بند 6.5.3.5)
09 - Bayesian ML (بند 6.5.3.3)
10 - درخت تصمیم ML (بند 6.5.3.6)

3. دسته بندی شبکه‌های عصبی ML

11 - عمومی و FFNN ML (بندهای 6.5.3.2-6.5.3.2.2)
12 - RNN و LSTM ML (بندهای 6.5.3.2.3-6.5.3.2.3.2)
13 - CNN و CapNet ML (بندهای 6.5.3.2.4، 6.5.3.2.7)
14 - DBM، پرسپترون ساختاریافته، و GAN ML (بند 6)
15 - روش‌های بهینه‌سازی ML (بندهای 6.5.4-6.5.4.8)
16 - معیارهای ارزیابی ML (بندهای 6.5.5-6.5.5.8)

4. رویکردهای یادگیری ماشینی

17 - کلی، تحت نظارت و بدون نظارت (بندهای 7-7.3)
18 - نیمه و خود نظارت (بندهای 7.4-7.5)
19 - تقویت و انتقال (بندهای 7.6-7.7)

5. خط لوله یادگیری ماشین

20 - جمع‌آوری و آماده سازی داده‌ها (بند 8-8.3)
21 - جزئیات آماده سازی داده‌ها (بند 8.3)
22 - مدلسازی، تأیید، و اعتبارسنجی (بندهای 8.5-8.6)
23 - استقرار و عملیات مدل (بندهای 8.6-8.7)
24 - مثال خط لوله یادگیری ماشین (بند 8.8)

نتیجه گیری

25 - به توسعه موارد تجاری ML خود ادامه دهید

دوره آموزشی انتخاب رویکرد مناسب یادگیری ماشین برای کیس تجاری شما با استفاده از ISO/IEC 25053:2022

مدرسین

Lyron Andrews