Faradars Discount
x عدم نمایش ۴۱٪ تخفیف آخرین فرصت‌های جشنواره تخفیف، ویژه تابستان کد تخفیف: SMR98
Faradars Discount
فرصت باقیمانده

آموزش یادگیری ماشین

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

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 - هوش مصنوعی


دکتر 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 واقع می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرایندها در کاربردهای مختلف، به کار گرفت. یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی بدون انجام برنامه نویسی به رایانه امکان بهبود بخشیدن را به عملگرها می دهد. در این آموزش طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. هدف این آموزش، بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین و بررسی انواع مختلف روش های یادگیری تقویتی است.

👤 مدرس: دکتر امیر حسین کیهانی پور
🕓 مدت زمان: ۲۲ ساعت و ۵۴ دقیقه
🎓 تعداد دانشجو: ۲۳۴۰ نفر این آموزش را تهیه کرده اند. — ۶۸ نفر در یک ماه اخیر
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۴۰,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز

(توضیحات بیشتر +)



    توضیحات

    با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرایندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرایندها در کاربردهای مختلف، به کار گرفت.

    بخش نخست این فرادرس، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: کلیات و مفاهیم پایه در یادگیری ماشین
      • تعاریف، ضرورت ها و دامنه کاربرد
      • یادگیری تحت نظارت (Supervised Learning)
      • یادگیری بدون نظارت (Unsupervised Learning)
      • بیان مفهومی تکنیک های پایه در یادگیری ماشین
        • رده بندی (Classification)
        • خوشه بندی (Clustering)
    • درس دوم: مرور روش های کلاسیک در یادگیری ماشین
      • یادگیری مفهوم (Concept Learning)
      • یادگیری مبتنی بر نمونه ها (Instance-based Learning)
      • یادگیری مبتنی بر قواعد (Rule-based Learning)
      • یادگیری مبتنی بر نظریه احتمال (Bayesian Learning)
      • درخت تصمیم (Decision Tree)
        • تکنیک های انتخاب ویژگی
        • الگوریتم ID3
        • الگوریتم C4.5
      • معرفی کلی روش های یادگیری مبتنی بر حسابگری زیستی
        • الگوریتم ژنتیک (Genetic Algorithms)
        • شبکه های عصبی مصنوعی (Artificial Neural Networks)
      • ترکیب رده بندی کننده ها (Combining Classifiers)
        • روش Ensemble Averaging
        • روش Bagging
        • روش Boosting
        • روش AdaBoost
        • روش های دینامیک: Mixtures of Experts
      • خوشه بندی (Clustering)
        • تکنیک های محاسبه فاصله بین انواع ویژگی ها
        • روش خوشه بندی K – Means
        • روش خوشه بندی K – Medoids
        • روش های خوشه بندی سلسله مراتبی (Hierarchical)
        • شاخص های ارزیابی فرایند خوشه بندی
      • ارزیابی فرضیه ها (Hypotheses Evaluation)
    • درس سوم: یادگیری تقویتی – Reinforcement Learning
      • معرفی مفاهیم پایه:
        • عامل (Agent)
        • کنش (Action)
        • محیط (Environment)
        • پاداش و تنبیه
        • سیاست (Policy)
        • جستجو (Exploration)
        • بهره برداری از تجربه (Exploitation)
      • روش های انتخاب کنش
        • روش Softmax
        • روش Reinforcement Comparison
        • روش های Pursuit
      • مساله یادگیری تقویتی
        • ویژگی مارکوف (Markov property)
        • فرایند تصمیم مارکوف (Markov Decision Process)
        • معادلات Bellman
      • روش برنامه ریزی پویا (Dynamic Programming)
        • ارزیابی سیاست (Policy Evaluation)
        • بهبود سیاست (Policy Improvement)
      • روش های یادگیری Monte Carlo
        • روش On – policy
        • روش Off – policy
      • روش های یادگیری تفاوت زمانی (Temporal Difference)
        • روش SARSA
        • روش Q-Learning
        • روش های Eligibility Traces
      • کاربرد روش های یادگیری تقویتی در محیط های مشاهده پذیر جزیی مارکوف Partially Observable Markov Decision Processes – POMDP
      • روش های یادگیری تعاملی
        • روش یادگیری تعاملی Q – Learning
        • روش یادگیری مبتنی بر خبرگی
      • نمونه هایی از کاربردهای یادگیری تقویتی در حل مسائل در دنیای واقعی
        • تهیه مدل مارکوف برای مساله مسیریابی ایمیل های ارسالی در شبکه ای از سرورها
        • طراحی خزش گر کانونی برای جمع آوری اطلاعات وب بر اساس روش یادگیری تقویتی
        • طراحی روش های رتبه بندی مبتنی بر یادگیری در جویشگرهای وب
      • معرفی MDP Toolbox برای پیاده سازی روش های یادگیری تقویتی در محیط MATLAB

    مفید برای رشته های
    • مهندسی کامپیوتر
    • علوم کامپیوتر
    • مهندسی فناوری اطلاعات (IT)

    در ادامه لیست کتب انگلیسی منتشر شده در این زمینه معرفی شده اند:

    معرفی کتب انگلیسی
    عنوان نویسندگان سال انتشار
    Machine Learning Tom Mitchell ۱۹۹۷
    Foundations of Machine Learning Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar ۲۰۱۲
    Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto ۱۹۹۸, ۲۰۱۶
    Algorithms for Reinforcement Learning Csaba Szepesvari ۲۰۱۰
    Reinforcement Learning: State-of-the-Art MarcoWiering and Martijn van Otterlo (Eds.) ۲۰۱۲


    پیش نیاز

    پیش نمایش

    پیش نمایش ۱ : کلیات و مفاهیم پایه در یادگیری ماشین - ۱۲ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۹ مگابایت (کلیک کنید +)


    پیش نمایش ۲ : مرور روش های کلاسیک در یادگیری ماشین (الف) - ۱۲ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۴ مگابایت (کلیک کنید +)


    پیش نمایش ۳ : مرور روش های کلاسیک در یادگیری ماشین (ب) - ۱۴ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۰ مگابایت (کلیک کنید +)


    پیش نمایش ۴ : مرور روش های کلاسیک در یادگیری ماشین (پ) - ۸ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۰ مگابایت (کلیک کنید +)


    بخش ۵ : مرور روش های کلاسیک در یادگیری ماشین (ت) - ۲۱ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۶ : مرور روش های کلاسیک در یادگیری ماشین (ث) - ۱۷ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    بخش ۷ : مرور روش های کلاسیک در یادگیری ماشین (ج) - ۵۶ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۸ : مرور روش های کلاسیک در یادگیری ماشین (چ) - ۱۳ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۹ : مرور روش های کلاسیک در یادگیری ماشین (ح) - ۱۰ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۰ : مرور روش های کلاسیک در یادگیری ماشین (خ) - ۱۳ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    بخش ۱۱ : مرور روش های کلاسیک در یادگیری ماشین (د) - ۵۳ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۲ : مرور روش های کلاسیک در یادگیری ماشین (ذ) - ۱۵ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۳ : مرور روش های کلاسیک در یادگیری ماشین (ر) - ۱۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    بخش ۱۴ : یادگیری تقویتی – Reinforcement Learning (الف) - ۴۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۵ : یادگیری تقویتی – Reinforcement Learning (ب) - ۱۱ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۶ : یادگیری تقویتی – Reinforcement Learning (پ) - ۱۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۷ : یادگیری تقویتی – Reinforcement Learning (ت) - ۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۸ : یادگیری تقویتی – Reinforcement Learning (ث) - ۱۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۹ : یادگیری تقویتی – Reinforcement Learning (ج) - ۱۷ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۲۰ : یادگیری تقویتی – Reinforcement Learning (چ) - ۱۷ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۲۱ : یادگیری تقویتی – Reinforcement Learning (ح) - ۱۶ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۲۲ : یادگیری تقویتی – Reinforcement Learning (خ) - ۱۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۲۳ : یادگیری تقویتی – Reinforcement Learning (د) - ۱۳ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۲۴ : یادگیری تقویتی – Reinforcement Learning (ذ) - ۸ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۲۵ : یادگیری تقویتی – Reinforcement Learning (ر) - ۱۶ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.


    آموزش‌های پیشنهادی و مرتبط




    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری ماشین
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۵۶۴۲۲ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVML9505
    مدت زمان ۲۲ ساعت و ۵۴ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۹۳۶ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزش ها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش یادگیری ماشین

    هزینه آموزش: ۴۰,۰۰۰ تومان



    سایر آموزش های دکتر امیر حسین کیهانی پور




    دیدگاه ها

    ( امتیاز ۴٫۵ از ۵ )
    4.5 از 5


    تا کنون ۲۳۴۰ نفراز این آموزش استفاده کرده اند و ۷ نظر ثبت شده است.
    1. 0 از 5

      :

      من دانشجوی رشته مدیریت اطلاعات هستم و در تحقیق رساله ام نیاز به مقایسه روشهای هوشمند هستم. امیدوارم این آموزش برایم مفید باشد.

    2. 0 از 5

      :

      سلام.

      بالاخره پس از انتظار زیاد، یادگیری تقویتی در فرادرس ارائه شد.
      خیلی ممنون.

    3. 0 از 5

      :

      با سلام و تشکر فراوان از فرادرس و جناب آقای دکتر کیهانی پور،

      مدتها منتظر ارایه این درس بودم که خوشبختانه ارایه شد. مطالب درس یادگیری ماشین بسیار جامع و کامل بود. از شیوه بیان و سبک تدریس آقای دکتر کیهانی پور هم بسیار لذت بردم.

    4. 0 از 5

      :

      من این آموزش رو تهیه کردم تمام مباحث رو تئوری میگه و از شبیه سازی فقط یک قسمت معرفی مختصری از تولباکس ارائه شده.
      من بیشتر به دنبال مباحث شبیه سازی یادگیری تقویتی بودم که نیازم مرتفع نشد. ولی در کل از سایت فرادرس به خاطر آموزشهای مفیدش سپاسگزارم.

    5. 0 از 5

      :

      آموزش ضعیفی بود به سبک سنتی دانشگاهها و تکیه برروی مباحث تئوری بود. این اموزش بدرد دانشجویان در مقطع کارشناسی میخوره.
      من شبکه عصبی -ویولت- پردازش تصویر -ژنتیک از فرادرس گرفتم خیلی خوب بودن. فکر میکردم اینم در همون سطح باشه.

    6. 5 از 5

      :

      سلام،
      از آموزش خوبتان تشکر میکنم. مطالب مورد نظر من بصورت کامل و طی مثالها ارایه شده بود. بخصوص بخش یادگیری تقویتی که قبلا هم ارایه نشده بود بسیار ارزشمند بود. از آقای دکتر کیهانی پور هم سپاسگزارم.

    7. 0 از 5

      :

      با سلام.

      آموزش بجای پرداختن به تمامی مباحث یادگیری ماشین، بهتر بود روی یک قسمت یا مباحث مهم تکیه کنند و توضیحت زیادی راجب اون مباحث گفته بشه و همراه با توضیحات فرمول ها.

      این آموزش از دید من بدرد اونایی میخوره که نیاز دارند یه یادآوری از درس یادگیری ماشین داشته باشند و این تکیه بر آموزش درس یادگیری ماشین نیست.

    8. 4 از 5

      :

      باسلام
      من این اموزش را برای کنکور دکتری تهیه کردم.مباحث زیادی رو آقای دکترکیهانی پور توضیح دادند، یعنی میخوام بگم که برای کسیکه اشنایی کم با بحث دارد، خیلی مفید هست.اما برای کنکور(حداقل کنکور دکتری ۹۶) زیاد کاربرد نداشت.البته بحث زیادی روی یادگیری تقویتی انجام شده است که بیشتر یک موضوع تحقیق محور است و برای کسانیکه بدنبال یادگیری این بخش و ورود هستند خیلی مفید خواهد بود.
      اگر نیم نگاهی به مباحث کتاب آلپادین هم داشتند خیلی اموزش کاملتر میشد.ولی در کل با این خلا که در اموزش این دسته از دروس در دانشگاه ها و محیط های علمی هست، این اموزش غنیمت هست.امیدوارم که در اینده یک اموزش ترکیبی یادگیری ماشین و شناسایی اماری الگو مختص داوطلبان کنکور دکتری هوش مصنوعی ارایه بشه که صرفا به مباحث کنکوری بپردازد.

    9. 0 از 5

      :

      با سلام.
      مدتها انتظار انتشار این آموزش رو میکشیدم تا بتونم به صورت عملی و کاربردی با مباحث مهمش آشنا بشم. ای کاش به مباحث به صورت عملی هم پرداخته میشد و نه فقط تئوری محض.

    10. 0 از 5

      :

      سلام
      از چیزی که انتظار داشتم فاصله داشت. کار شناسی ارشد هوش دارم و اگر شما این رشته یا مطالب رو قبلا نحونده باشید خیلی قادر به یاد گرفتن چیزی از این مجموعه نیستید.

      مزایا:
      عنوان های درس فقط کامل هست.

      معایب:
      – انگار از اول تا آخر مدرس داره از روی کاغذ متنی رو می خونه خسته کننده و یکنواخت هست.
      – مطالب آموزشی یک سری اسلاید هست که برای رفع تکلیف تهیه شده

      امید وارم فرادرس نظر های منفی رو پاک نکنه

      مرسی

    11. 0 از 5

      :

      وقتی کسی اولین بار بخواد یاد بگیره به نظرم اون اشتیاق کافی رو تو بیننده ها بوجود نیاورد مدرس و انگار دارن یه مطالبی رو دیکته میگن
      فرادرس شما خیلی خوبین ولی بهتره اینطور درسا با این فرض تدریس بشن که بیننده هیچ اطلاعاتی نداره
      مرسی واسه زحماتتون

    12. 0 از 5

      :

      سلام و سپاس حضور مجموعه فرهیخته فرادرس،
      آموزشی عالی و کامل بود. همه بحثهایی که من طی شش واحد درس گذرانده بودم، با بیانی عالی ارایه شده بود. از نظرات دوستان منتقد بسیار متعجب و متاسفم. بنظر بنده که بایستی سپاس و امتنان ویژه از مدرس محترم آقای دکتر کیهانی پور بعمل آید. بنده آموزش وب کاوی ایشان را هم تهیه کردم که آن هم بسیار مفید و ارزشمند است.

    13. 5 از 5

      :

      با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتون لازم به ذکر است بنده با کمک آموزش یادگیری ماشین و استفاده توانستم نیاز خود را تا حد زیادی پیش ببرم. از این بابت از شما بسیار سپاسگذارم. درخواستی که دارم ، در صورت امکان در زمینه رشته مهندسی صنایع آموزش های بیشتری قرار دهید. مطمئنم دانشجویان و فعالان زیادی در زمینه ذکر شده بسیار استقبال خواهند کرد. با تشکر دوباره از تمامی زحمات شما . واقعا تحول بزرگی در زمینه انتقال دانش در سطح کشور ایجاد کردید. مطمئنم این حرکت شما می تواند جهانی شود. واقعا عالی هم بود.من که خیلی استفاده کردم .بسیار سپاسگذارم.

    14. 2 از 5

      :

      یکی از دوستان در قسمت نظرات کاربران مزایا و معایب این درس رو گفتن که منم با ایشون موافقم.
      مزایا:
      عنوان های درس فقط کامل هست.

      معایب:
      – انگار از اول تا آخر مدرس داره از روی کاغذ متنی رو می خونه خسته کننده و یکنواخت هست.
      – مطالب آموزشی یک سری اسلاید هست که برای رفع تکلیف تهیه شده

    15. 4 از 5

      :

      من قبل از تهیه این آموزش، چیز زیادی از یادگیری ماشین یا به اصطلاح Machine Learning نمیدونستم چون اصلاً رشتم مهندسی کامپیوتر نبود و این درس در دانشگاه ما فقط برای این رشته ارائه میشد و من نتوانستم برای رشته خودم این درس را اخذ کنم با وجود این که علاقه داشتم با این اصطلاح آشنا شوم. بعد از مشاهده این آموزش، به نظر برای من که هیچی از یادگیری ماشین نمیدانستم، یه کانسپت کلی به من داد، گرچه بهتر میبود که مدرس کمی بیشتر روی جزئیات تمرکز میکرد تا ما بیشتر با این موضوع آشنا شویم ولی به هر حال برای من مفید بود و اگر کسی پیش زمینه ای ندارد و میخواهد با ماشین لرنینگ آشنا شود، این آموزش براش مفید خواهد بود. اما برای سایر افرادی که این درس را قبلاً در دانشگاه گذراندند، نمیتوانم نظری بدهم.

      با تشکر.

    16. 0 از 5

      :

      من از مخاطبین همیشگی محصولات ارزشمند فرادرس هستم و واقعا از این موسسه دانش بنیان ممنونم. اولین بار با آموزش های عالیِ دکتر کلامی با فرادرس که ابتدا با عنوان متلب سایت ارائه میشد آشنا شدم؛ این مقدمه رو گفتم تا مراتب قدردانی خودم رو از این مجموعه داشته باشم.
      اما بعنوان کسی که عناوین و محصولات متعدد این مجموعه رو دریافت کردم باید بگم انتظارم از درس یادگیری ماشین دکتر کیهانی پور متاسفانه برآورده نشد؛ ریتم آموزش صرفا تئوری و روزنامه وار و حتی نوع بیان یکنواخت و مونوتُنِ ایشان مخاطب رو دچار خستگی میکنه؛ به این اضافه کنید انتظار خیلی بیشتری رو که مخاطب از زمینه جذاب و پرکاربرد یادگیری ماشین داشت که صرفا منحصر شد به بیان یک سری تئوری و بعضا بیان تیتروارِ کلیات.

    17. 1 از 5

      :

      یکی از بدترین آموزش های فرادرس
      توضیح دادن در حد فاجعه
      واقعا فرادرس که آموزش های فوق العاده ای میزاره این انتظار نمیرفت

    18. 0 از 5

      :

      با سلام خسته نباشید
      من از اموزش های شما استفاده کردم به نظر من ۲ ایراد اساسی می خواهم بگیرم
      ۱)استاد عزیز در سواد شما کسی شک ندارد ولی من دانشجو ارشد در حین گوش دادن به اموزش شما خوابم می گیرد انکار متن از پیش تعیین شده می باشد و روخوانی می کنید حتی در لحن صداتون هیچ تغییری ایجاد نمیشه
      ۲)من به این منابع به زبان خارجی خوب دسترسی داشتم هدف اصلی من تمرین بیشتر برای دروس ارائه شده می باشد ای کاش تمریناتی شما بیشتر برای فهم بیشتر ارائه میدادید یا حداقل نحوه حل مسائل را بیشتر توضیح میدادید چیزی که من در کلاس متوجه نشدم در منبع نتونستم مشکلم را حل کنم با این اموزشم تغییر خاصی به وجود نمی اید

      این ایرادات از نظر شخصی این جانب بوده و به معنی ضعیف بودن اثر نمی باشد
      با تشکر

    19. 5 از 5

      :

      با سلام
      بنده می خواستم از آقای دکتر و همچنین مجموعه فرادرس بخاطر تهیه این درس ارزشمند با این هزینه ناچیز تشکر کنم.
      و یک صحبتی هم داشتم در مورد نظرهای بقه دوستان اینکه به نظر بنده بعضی از نظرها یه خورده دور از انصاف و نقدها سطحی است، بالاخره این درس یک درس تخصصی است و قرار نیست قصه تعریف کنند که جذاب باشد و اینکه فکر نکنم این تعداد ساعت وقت گذاشتن و پوشش کامل یک درس برای رفع تکلیف تهیه شده باشد یا در مورد نحوه بیان بالاخره همه استادان در دانشگاه از یک اصولی پیروی می کنند و تامین سلیقه های مختلف عملا غیر ممکن است و نقدها سلیقه ای می شود مثلا به نظر بنده مدرسان بهتر است دستور زبان فارسی را در گفتارشان رعایت کنند.
      در آخر به نظر بنده این آموزش به صورت جامع مفاهیم درس یادگیری ماشین را بیان کرده است.

    20. 0 از 5

      :

      سلام . من این آموزش رو برای دوستی که قصد ورود به این حوزه داشت تهیه کردم. دو بازخورد از ایشون داشتم به عنوان یک مبتدی که لازم می بینم منتقل کنم. پیش از نقد البته لازمه که از سرفصل بندی بی نظیر و صبر مدرس در بیان این حجم از مطالب قدردانی کنم اما با این حال:
      ۱. ایشون در اغلب موارد اول توضیح نظری رو با استفاده از یک سری اسلاید پر از متن ارائه می کنن با یک بیان یکنواخت که مخاطب رو دچار بی حوصلگی می کنه و بعد که سراغ حل مثال هم می رن باز مثال ها از پیش حل شدن و جوابشون به صورت شکل مورد بررسی قرار می گیره که باز هم مخاطب رو خوب درگیر نمی کنه
      ۲. با توجه به حجم بالای موضوعات مطرح بهتر هست که از ابتدای دوره یک نقشه مسیر خوب ترسیم کنن که مخاطب بتونه در هر لحظه بتونه بفهمه که در جریان فراگیری در چه نقطه ای هست و چرا هست و در ادامه کجا خواهد رفت.


    نظر شما در مورد این فرادرس چیست؟

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    امتیاز شما به این آموزش:



​همین امروز شروع به آموختن کنید​

آموزش یادگیری ماشین

هزینه آموزش: ۴۰,۰۰۰ تومان


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

دسته های مرتبط: ,


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