دوره رایگان یادگیری ماشین در دانشگاه استنفورد

دانشگاه استنفورد قرار است دوره رایگان یادگیری ماشین، بینایی ماشین و هوش مصنوعی را به صورت آنلاین برگزار کند. این رویه چیز تازه‌ای در این دانشگاه نیست و سابقه‌ای طولانی دارد. خبر خوب برگزاری دوره‌ای تلفیقی از علوم نظری و عملی در این حوزه است.

یادگیری ماشین، علم به فعالیت واداشتن رایانه بدون برنامه‌ریزی صریح و مشخص است. در دهه گذشته، یادگیری ماشین به تولد ماشین‌های خودران، سیستم‌های کاربردی مبتنی بر تشخیص گفتار و جست‌وجوی کارآمد در وب کمک کرده و حتی درک ما را از پیکره ژنی خودمان بسیار افزایش داده است. امروزه یادگیری ماشین آن‌چنان فراگیر شده که احتمالاً هرکس روزانه ده‌ها بار بدون اینکه بداند از آن استفاده می‌کند.

بسیاری از محققان معتقدند که یادگیری ماشین بهترین راه برای رسیدن به هوش مصنوعی‌ای در سطح هوش بشری است. در دوره‌ای که دانشگاه استنفورد برگزار کرده، شرکت‌کنندگان با مؤثرترین تکنیک‌های یادگیری ماشین آشنا می‌شوند و یاد می‌گیرند چگونه آنها را پیاده‌سازی و اجرا کنند. در نهایت، شرکت‌کنندگان با بهترین نوآوری‌های سیلیکون ولی درباره یادگیری ماشین و هوش مصنوعی آشنا می‌شوند.

این دوره رایگان یادگیری ماشین، شامل پیش‌درآمدی مفصل در حوزه یادگیری ماشین، داده‌کاوی، و تشخیص الگوهای آماری است. عناوین دوره شامل موارد زیر است:

• یادگیری تحت نظارت (الگوریتم‌های پارامتریک و غیرپارامتریک، ماشین‌های بردار پشتیبان، کرنل‌ها، شبکه‌های عصبی)
• یادگیری بدون نظارت (خوشه‌بندی، کاهش ابعاد، سیستم‌های توصیه‌گر، یادگیری عمیق)
• بهترین شیوه‌ها در یادگیری ماشین (نظریه بایاس/واریانس، فرایند نوآوری در یادگیری ماشین و هوش مصنوعی)

همچنین این دوره رایگان یادگیری ماشین همچنین از مطالعات موردی و برنامه‌های کاربردی متعددی بهره می‌گیرد، به طوری که شرکت‌کنندگان خواهند آموخت چگونه الگوریتم‌های یادگیری را برای ساخت ربات‌های هوشمند (ادراک، کنترل)، درک متن (جست‌وجوی وب، ضد هرزنامه)، بینایی کامپیوتر، انفورماتیک پزشکی، صدا و استخراج پایگاه داده و دیگر حوزه‌ها به کار ببرند.

محتوای جلسه‌های دوره رایگان یادگیری ماشین استنفورد:

• رگرسیون خطی یک‌متغیره. رگرسیون خطی یک خروجی با مقدار واقعی را بر اساس مقدار ورودی پیش‌بینی می‌کند. در این دوره کاربرد این شیوه در پیش‌بینی قیمت خانه بحث می‌شود، مفهوم تابع هزینه ارائه می‌شود و شیوه گرادیان کاهشی برای یادگیری معرفی می‌شود.
• یادآوری جبر خطی. این بخش اختیاری یک دوره تکمیلی در مفاهیم جبر خطی است. درک ابتدایی از جبر خطی برای باقی دوره ضروری است، به‌ویژه وقتی بحث به مدل‌های چندمتغیره برسد.
• رگرسیون خطی چندمتغیره. اگر ورودی بیش از یک مقدار داشته باشد، چه باید کرد؟ در این بخش از دوره نشان داده می‌شود که چطور رگرسیون خطی می‌تواند برای تلفیق چند ویژگی ورودی تعمیم یابد. همچنین بهترین شیوه پیاده‌سازی رگرسیون خطی شرح داده می‌شود.
• آموزش اوکتاو/متلب. در این بخش تمریناتی برای کمک به فهم چگونگی پیاده‌سازی الگوریتم‌های یادگیری در عمل ارائه می‌شود. برای انجام این تمرینات برنامه‌نویسی باید از زبان متلب یا اوکتاو استفاده شود.
• رگرسیون لوجستیک. رگرسیون لوجستیک شیوه‌ای برای دسته‌بندی داده به خروجی گسسته است. مثلاً، می‌شود از رگرسیون لوجستیک برای تقسیم ایمیل‌ها به دو کلاس هرزنامه و غیرهرزنامه استفاده کرد. در این بخش مفهوم طبقه‌بندی، تابع هزینه برای رگرسیون لوجستیک و کاربرد رگرسیون لوجستیک در طبقه‌بندی چندکلاسه معرفی می‌شود.

• منظم‌سازی. مدل‌های یادگیری ماشین باید با نمونه‌های جدیدی به‌خوبی تعمیم پیدا کند که مدل هنوز در عمل با آنها مواجه نشده است. این بخش به معرفی منظم‌سازی اختصاص دارد که از بیش‌برازش مدل‌ها روی داده‌های آموزش پیشگیری می‌کند.
• شبکه‌های عصبی. شبکه‌های عصبی مدلی الهام‌گرفته از طرز کار مغز هستند. این مدل‌ها امروزه کاربردهای بسیاری دارند؛ از جمله، وقتی تلفن شما دستورات صوتی شما را تفسیر می‌کند و آنها را می‌فهمد، شبکه عصبی به درک صحبت کمک کرده است؛ وقتی چکی را نقد می‌کنید، ماشین‌هایی که به‌طور خودکار رقم‌ها را می‌خوانند نیز از شبکه عصبی استفاده می‌کنند.
• توصیه‌ای برای استفاده از یادگیری ماشین. در عمل، پیاده‌سازی یادگیری ماشین همیشه سرراست نیست. در این بخش بهترین شیوه‌ها برای استفاده از یادگیری ماشین در عمل شرح داده می‌شود و بهترین روش‌ها برای ارزیابی عملکرد مدل‌های آموزش‌دیده ارائه می‌گردد.
• طراحی سیستم یادگیری ماشین. برای بهینه‌سازی الگوریتم یادگیری ماشین، اول باید بدانید که کجاها بیشترین بهبودها تحقق پیدا می‌کنند. در این بخش راجع به این بحث می‌شود که چطور می‌شود عملکرد سیستم یادگیری ماشین با بخش‌های مختلف را فهمید و همچنین سیستم یادگیری ماشین چطور از پس داده‌های دارای چولگی برمی‌آید.
• ماشین‌های بردار پشتیبان. یا SVM یک الگوریتم یادگیری ماشین برای طبقه‌بندی است. آنچه در این بخش ارائه می‌شود ایده و شهود پشت SVM است. همچنین درباره نحوه استفاده از آن در عمل توضیح داده می‌شود.
• یادگیری بدون نظارت. از این شیوه یادگیری برای ساخت مدل‌هایی استفاده می‌شود که کمک می‌کنند فهم بهتری از داده‌ها حاصل شود. در این بخش الگوریتم k-means برای خوشه‌بندی که به دسته‌بندی نقطه داده‌های بدون برچسب کمک می‌کند معرفی می‌شود.
• کاهش ابعاد. در این بخش تحلیل مؤلفه اساسی (PCA) معرفی می‌شود و نشان داده می‌شود که چگونه می‌توان از این شیوه برای فشرده‌سازی داده و افزایش سرعت الگوریتم‌های یادگیری، همچنین برای بصری‌سازی دیتاست‌های پیچیده بهره برد.
• تشخیص اعوجاج. با وجود حجم وسیعی از نقطه داده‌ها، ممکن است گاهی لازم باشد فهمید که کدام داده‌ها خیلی از میانگین فاصله دارند. مثلاً، در ساخت، احتمالاً لازم است نقایص یا اعوجاج‌ها تشخیص داده شوند. در این بخش نشان داده می‌شود که چطور یک دیتاست با توزیع گوسی مدل می‌شود و چطور این مدل برای تشخیص اعوجاج قابل استفاده است.
• سیستم‌های توصیه‌گر. وقتی محصولی را از طریق نت خریداری می‌کنید، بیشتر وبسایت‌ها محصولات دیگری را که ممکن است دوست داشته باشید توصیه می‌کنند. سیستم‌های توصیه‌گر از روی الگوهای فعالیت بین کاربران مختلف و محصولات مختلف این توصیه‌ها را تولید می‌کنند. در این بخش دو الگوریتم توصیه‌گر پالایش گروهی و تجزیه ماتریس امتیاز پایین شرح داده می‌شوند.
• یادگیری ماشین در مقیاس بزرگ. وقتی حجم داده‌های آموزش زیاد باشد یادگیری ماشین بهتر کار می‌کند. موضوع این بخش، بحث درباره نحوه استفاده از الگوریتم‌های یادگیری ماشین برای دیتاست‌های بزرگ است.
• نمونه های عملی: اوسی‌آر عکس. شناسایی و تشخیص اشیا، واژه‌ها و ارقام در تصویر وظیفه‌ای چالش‌برانگیز است. در این بخش راجع به این بحث می‌شود که چطور می‌توان برای غلبه بر این مشکل یک پایپلاین ساخت و چطور می‌شود عملکرد چنین سیستمی را تحلیل کرد و بهبود بخشید.

علاقه‌مندان به دوره رایگان یادگیری ماشین دانشگاه استنفورد می‌توانند از طریق لینک زیر  جهت ثبت‌نام اقدام کنند:

ثبت‌نام

آخرین اخبار و رویدادهای هوش مصنوعی را با هوشیو دنبال کنید