آموزش یادگیری ماشینی مستمر – پیش ثبت نام

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

دکتر امیر حسین کیهانی پور
دکتر امیر حسین کیهانی پور

مدرس دانشگاه تهران

دکترای تخصصی مهندسی کامپیوتر-گرایش هوش مصنوعی


امیر حسین کیهانی پور فارغ التحصیل دکترای تخصصی در رشته مهندسی کامپیوتر، گرایش هوش مصنوعی از دانشگاه تهران و نیز مدرس دانشگاه تهران و دانشگاه صنعتی شریف هستند. (+)



در این دوره آموزشی، پس از معرفی مفاهیم پایه و بیان معماری عمومی سیستم های یادگیری ماشینی مستمر، ارتباط کلی مابین این روش یادگیری و دیگر روش های متداول، مطرح می شود. در ادامه بحث، به بررسی روش های مختلف یادگیری ماشینی مستمر در قالب چهار دسته کلی: روش های تحت نظارت، روش های نیمه نظارتی، روش های بدون نظارت و نیز روش های یادگیری تقویتی، پرداخته خواهد شد و الگوریتم های اصلی در هر دسته، مورد بررسی قرار خواهد گرفت. پس از آن، به نقد و بررسی تحلیلی توانمندی الگوریتم های یادگیری مستمر و چالش های پیش روی آن، اشاره خواهیم کرد. بخش پایانی این دوره نیز به معرفی برخی از کاربردهای عمده این روش های یادگیری، اختصاص یافته است. همچنین به منظور ایجاد شرایط بهره گیری مخاطبان از مزایای این رویکرد یادگیری در حل مسائل تخصصی خود، نمونه هایی از ابزارهای متن باز و همچنین برخی از مجموعه های داده محک مرجع در این حوزه، معرفی خواهند شد.

👤 مدرس: دکتر امیر حسین کیهانی پور
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

وضعیت انتشار در حال هماهنگی
زمان تقریبی انتشار ۶ تا ۱۴ هفته

درخواست اطلاع رسانی انتشار این آموزش

این آموزش در صف شروع ضبط است و به زودی در فرادرس ارائه عمومی آن آغاز خواهد شد. شما می توانید با وارد کردن ایمیل خود، در اولین زمان، از انتشار نهایی این آموزش مطلع شوید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.

Please leave this field empty.




    توضیحات

    یادگیری ماشینی مستمر یک رویکرد پیشرفته در حوزه یادگیری ماشین محسوب می شود که طی آن، فراگیری به صورت یک فرایند مداوم و پیوسته صورت می گیرد. در این مدل یادگیری، عامل یادگیرنده، دانش کسب شده از انجام فعالیت های قبلی را گردآوری می کند تا از آنها به منظور انجام بهینه فعالیت های بعدی، استفاده کند. این قابلیت یادگیری، یکی از نشانه های عملکرد هوشمندانه بشری در انجام فعالیت های مختلف روزمره، بشمار می رود. در واقع این مدل یادگیری، تلاشی جدی برای رفع معضلات موجود در رویکرد یادگیری ماشینی متداول، محسوب می شود. در رویکرد متداول، فرایند یادگیری در انزوا صورت می گیرد؛ به این معنی که با در اختیار بودن مجموعه دادگان آموزش و اعمال الگوریتم یادگیری موردنظر، مدلی حاصل می شود که مبنای تصمیم گیری ها و عملکردهای بعدی سیستم، خواهد بود. به بیان دیگر در رویکرد یادگیری متداول، تلاشی در راستای ابقای دانش فراگیری شده و استفاده از آن جهت یادگیری آتی، صورت نمی پذیرد. هرچند فرایند یادگیری در انزوا در حل مسائل مختلف، به موفقیت های شایان توجهی دست یافته است، اما به منظور عملکرد مناسب، نیازمند در اختیار بودن مجموعه جامعی از نمونه های آموزشی است که بایستی بازنمایی مناسبی از شرایط دنیای واقعی را پیش روی الگوریتم یادگیری قرار دهند.

    در اغلب مسائل دنیای واقعی که درجه پیچیدگی قابل ملاحظه ای دارند، فراهم آوردن چنین مجموعه دادگانی جهت انجام آموزش در الگوریتم یادگیری، یا اصولاً غیر ممکن است یا بسیار دشوار و هزینه بر است. رویکرد یادگیری ماشینی مستمر، تلاشی برای رهایی از محدودیت های روش های یادگیری در انزوا است و عملاً پاسخی به یک مطالبه جدی از دانش هوش مصنوعی در شرایط فعلی و کاربردهای پیچیده دنیای امروز، محسوب می شود.

    در این دوره آموزشی، پس از معرفی مفاهیم پایه و بیان معماری عمومی سیستم های یادگیری ماشینی مستمر، ارتباط کلی مابین این روش یادگیری و دیگر روش های متداول، مطرح می شود. در ادامه بحث، به بررسی روش های مختلف یادگیری ماشینی مستمر در قالب چهار دسته کلی: روش های تحت نظارت، روش های نیمه نظارتی، روش های بدون نظارت و نیز روش های یادگیری تقویتی، پرداخته خواهد شد و الگوریتم های اصلی در هر دسته، مورد بررسی قرار خواهد گرفت. پس از آن، به نقد و بررسی تحلیلی توانمندی الگوریتم های یادگیری مستمر و چالش های پیش روی آن، اشاره خواهیم کرد. بخش پایانی این دوره نیز به معرفی برخی از کاربردهای عمده این روش های یادگیری، اختصاص یافته است. همچنین به منظور ایجاد شرایط بهره گیری مخاطبان از مزایای این رویکرد یادگیری در حل مسائل تخصصی خود، نمونه هایی از ابزارهای متن باز و همچنین برخی از مجموعه های داده محک مرجع در این حوزه، معرفی خواهند شد.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: کلیات و مفاهیم پایه در زمینه یادگیری ماشینی مستمر
      • تعاریف، ضرورت ها و دامنه کاربرد
      • معماری کلی سیستم های یادگیری ماشینی مستمر
      • نحوه ارزیابی روش های یادگیری ماشینی مستمر
      • بررسی اجمالی روش های یادگیری مرتبط
      • یادگیری انتقال (Transfer Learning)
      • یادگیری چند کاره (Multi-Task Learning)
      • یادگیری برخط (Online Learning)
      • یادگیری تقویتی (Reinforcement Learning)
    • درس دوم: بررسی روش های یادگیری ماشینی مستمر
      • یادگیری تحت نظارت (Lifelong Supervised learning)
        • یادگیری مستمر مبتنی بر حافظه (Lifelong Memory-based Learning)
        • شبکه های عصبی مستمر (Lifelong Neural Networks)
        • الگوریتم ELLA) Efficient Lifelong Learning Algorithm)
        • الگوریتم LSC) Lifelong Sentiment Classification)
        • مجموعه های داده محک
      • یادگیری بدون نظارت (Lifelong Unsupervised learning)
        • الگوریتم LTM) Lifelong Topic Model)
        • الگوریتم AMC) Automatically Generated Must-links and Cannot-links)
        • الگوریتم AER) Aspect Extraction Based On Recommendations)
        • الگوریتم Lifelong-RL) Relaxation Labeling)
        • مجموعه های داده محک
      • یادگیری نیمه نظارتی بی پایان (Semi Supervised Never Ending Learning)
        • بررسی سیستم NELL) Never Ending Language Learner)، معماری و محدودیت ها
      • یادگیری تقویتی مستمر (Lifelong Reinforcement Learning)
        • روش بیزین سلسله مراتبی (Hierarchical Bayesian)
        • الگوریتم PG-ELLA) Lifelong Policy Gradient Reinforcement Learning)
        • مجموعه های داده محک
    • درس سوم: تحلیل یادگیری ماشینی مستمر
      • چالش های یادگیری انتقال
      • رویکردهای تحقیقاتی آتی
    • درس چهارم: معرفی برخی از کاربردهای یادگیری ماشینی مستمر
      • پروژه ELLA) Efficient Lifelong Learning)
      • پروژه HORDE
      • پروژه NELL) Never Ending Language Learner)
    • درس پنجم: معرفی منابع اصلی جهت به کارگیری روش های یادگیری ماشینی مستمر
      • ابزارهای متن باز
      • مجموعه های داده مطرح

     

    مفید برای رشته های
    • مهندسی کامپیوتر
    • فناوری اطلاعات


    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری ماشینی مستمر – پیش ثبت نام
    ناشر فرادرس
    کد آموزش FVML9607
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)



    سایر آموزش های دکتر امیر حسین کیهانی پور



    مطالب مرتبط


    دیدگاه ها

    نظر شما در مورد این فرادرس چیست؟

    امتیاز شما به این آموزش:

    *




درخواست اطلاع رسانی انتشار این آموزش

این آموزش در صف شروع ضبط است و به زودی در فرادرس ارائه عمومی آن آغاز خواهد شد. شما می توانید با وارد کردن ایمیل خود، در اولین زمان، از انتشار نهایی این آموزش مطلع شوید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.

Please leave this field empty.



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان