دانشگاه کلمبیا برگزار می‌‌کند: آموزش رایگان یادگیری ماشین

یادگیری ماشین پایه و اساس هیجان‌انگیزترین مشاغل در تحلیل داده‌‌های امروز است. به همین جهت است که این موضوع یکی از پرطرفدارترین موضوعات آموزشی در مراکز آموزشی و دانشگاه‌هاست. از همین رو، دانشگاه کلمبیا در نیویورک آموزش رایگان یادگیری ماشین را به صورت آنلاین و در پلتفرم EDX برگزار می‌‌کند. این دوره ۱۲ هفته به طول می‌‌انجامد و هر هفته ۸ تا ۱۰ ساعت آموزشی را شامل می‌‌شود. شرکت در این دوره کاملا رایگان بوده و ویدئوی هر جلسه به صورت ضبط شده در پلتفرم EDX موجود است. زبان تدریس انگلیسی همراه با زیرنویس است و اگرچه جلسه اول از ابتدای فوریه ۲۰۲۱ آغاز شده، اما همه جلسات به صورت ضبط شده در EDX بارگذاری شده است و امکان بهره‌مندی از کلاس‌ها وجود دارد و هیچ جلسه‌ای سوخت نمی‌شود.

شرکت‌کنندگان در این دوره، مدل‌ها و روش‌های یادگیری ماشین را خواهند آموخت و آن‌ها را در موقعیت‌‌های دنیای واقعی به کار خواهند بست؛ از شناسایی اخبار ترندشده و موضوعات پرطرفدار گرفته، تا ساخت موتورهای توصیه‌گر و رتبه‌بندی تیم‌‌های ورزشی.

چشم‌اندازهای اصلی دوره آموزش رایگان یادگیری ماشین

چشم‌اندازهای اصلی تحت پوشش عبارتند از:

• ‌‌مدل‌سازی احتمالی در مقابل ‌‌مدل‌سازی غیراحتمالی
• یادگیری با نظارت در مقابل یادگیری بدون نظارت

موضوعات مورد تدریس عبارتند از: ‌‌طبقه‌بندی و رگرسیون‌‌، روش‌‌های خوشه‌بندی‌‌، مدل‌‌های متوالی‌‌، فاکتوراسیون ماتریس‌‌، ‌‌مدل‌سازی موضوع و انتخاب مدل.

روش‌ها عبارتند از: رگرسیون خطی و لجستیکی‌‌، ماشین‌های بردار پشتیبان‌‌، ‌‌طبقه‌بندی‌کننده درخت، تقویت‌‌، حداکثر احتمال و استنباط  MAP‌‌، الگوریتم EM‌‌، مدل‌های مخفی مارکوف‌‌، فیلترهای کالمن‌‌، k-means‌‌، مدل‌‌های مخلوط گاوسی و غیره.

در نیمه اول دوره‌‌، روش‌‌های یادگیری تحت نظارت برای رگرسیون و ‌‌طبقه‌بندی پوشش داده می‌‌شود. در این چارچوب‌‌، یک خروجی یا پاسخی دارید که می‌‌بایست بر اساس مجموعه‌ای از ورودی‌ها پیش‌بینی شود. طی دوره، چندین روش اساسی برای انجام این کار و الگوریتم‌‌های بهینه‌سازی آن‌ها مورد بحث و بررسی قرار خواهد گرفت. رویکرد این دوره، القای انگیزه عمل بیشتر به دانشجو خواهد بود؛ به این معنا که در این دوره درک ریاضی دانشجویان از الگوریتم‌‌های مربوطه به طور کامل توسعه خواهد یافت‌‌. در ضمن، به مبحث تئوری یادگیری انتزاعی نیز به طور خلاصه پرداخته خواهد شد.

در نیمه دوم دوره، مباحث آموزش به سمت روش‌‌های یادگیری بدون نظارت خواهد رفت. در مسائل این بخش، هدف نهایی نسبت به پیش‌بینی یک خروجی بر اساس ورودی مربوطه‌‌، شفاف‌تر است. در این بخش، سه مسئله اساسی یادگیری بدون نظارت پوشش داده خواهد شد: خوشه‌بندی داده‌ها‌‌، فاکتوربندی ماتریس و مدل‌‌های متوالی برای داده‌‌های وابسته به سفارش. برخی از کاربردهای این مدل‌ها شامل توصیه شیء و ‌‌مدل‌سازی موضوع است.

سرفصل مباحث آموزش رایگان یادگیری ماشین

• هفته ۱: برآورد حداکثر احتمال‌‌، رگرسیون خطی‌‌، حداقل مربعات
• هفته ۲: رگرسیون خط الراس‌‌، واریانس بایاس‌‌، قانون بیز‌‌، استنباط حداکثر پسین
• هفته ۳: رگرسیون خطی بیزی‌‌، پراکندگی‌‌، انتخاب زیرمجموعه برای رگرسیون خطی
• هفته ۴: ‌‌طبقه‌بندی نزدیک‌ترین همسایه‌‌، ‌‌طبقه‌بندی‌کننده بیز‌‌، ‌‌طبقه‌بندی‌کننده خطی‌‌، پرسپترون
• هفته ۵: رگرسیون لجستیک‌‌، تقریب لاپلاس‌‌، روش‌‌های هسته‌‌، فرایندهای گاوسی
• هفته ۶: حداکثر حاشیه‌‌، ماشین‌‌های بردار پشتیبانی‌‌، درخت‌‌های تصمیم‌، جنگل‌‌های تصادفی‌‌، تقویت
• هفته ۷: خوشه‌بندی‌‌، الگوریتم k-means‌‌، الگوریتم EM‌‌، داده‌‌های ازدست‌رفته
• هفته ۸: مخلوط‌‌های گاوسی‌‌، فاکتوراسیون ماتریس
• هفته ۹: فاکتوراسیون ماتریس غیرمنفی‌‌، مدل‌‌های عامل پنهان‌‌، PCA و تغییرات
• هفته ۱۰: مدل‌‌های مارکوف‌‌، مدل‌‌های مخفی مارکوف
• هفته ۱۱: مدل‌‌های مداوم فضا‌‌، تجزیه‌وتحلیل ارتباط
• هفته ۱۲: انتخاب مدل‌‌، مراحل بعدی

استاد دوره آموزش رایگان یادگیری ماشین

پروفسور جان دبلیو پیسلی (Professor John W. Paisley)

برای ثبت‌نام به لینک زیر مراجعه کنید:

[button href=”https://www.edx.org/course/machine-learning?source=aw&awc=6798_1613456414_5ad794f9c1c85090cb6016900467f871&utm_source=aw&utm_medium=affiliate_partner&utm_content=text-link&utm_term=301045_https%3A%2F%2Fwww.class-central.com%2F” rel=”nofollow noopener” type=”btn-default” size=”btn-lg”]ثبت‌نام[/button]