×
۱۸۵,۰۰۰ تومان
٪۳۵ تا ۱۷۰ هزار تومان تخفیف

آموزش یادگیری ماشین

آموزش یادگیری ماشین

هزینه آموزش
۱۸۵,۰۰۰ تومان
تخفیف
٪۳۵ تا ۱۷۰ هزار تومان تخفیف (اطلاعات بیشتر +)

تعداد دانشجو
۷,۳۱۶ نفر
مدت زمان
۲۰ ساعت و ۵۹ دقیقه
محتوای این آموزش
تضمین کیفیت
۵۸ بازخورد (مشاهده نظرات)
آموزش یادگیری ماشین

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.

آموزش یادگیری ماشین

تعداد دانشجو
۷,۳۱۶ نفر
مدت زمان
۲۰ ساعت و ۵۹ دقیقه
هزینه عادی آموزش
۱۸۵,۰۰۰ تومان
در طرح تخفیف
٪۳۵ تا ۱۷۰ هزار تومان تخفیف (اطلاعات بیشتر +)

محتوای این آموزش
تضمین کیفیت
۵۹ بازخورد (مشاهده نظرات)

دکتر امیر حسین کیهانی پور

دکتری 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.

توضیحات تکمیلی

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. همچنین جهت آشنایی بیشتر با پیاده سازی در پایتون می توانید به آموزش یادگیری ماشین (Machine Learning) با پایتون (Python) لینک (+) مراجعه نمایید.

 

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين 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
  • مهندسی کامپیوتر
  • علوم کامپیوتر
  • مهندسی فناوری اطلاعات (IT)

 

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

  • Tom Mitchell; Machine Learning; 1997
  • Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar; Foundations of Machine Learning; 2012
  • Richard S. Sutton and Andrew G. Barto; Reinforcement Learning: An Introduction; 1988, 2016
  • Csaba Szepesvari; Algorithms for Reinforcement Learning; 2010
  • MarcoWiering and Martijn van Otterlo (Eds.); Reinforcement Learning: State-of-the-Art; 2012

پیش نیاز


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

پیش نمایش‌ها

۱. کلیات و مفاهیم پایه در یادگیری ماشین
۲. مرور روش های کلاسیک در یادگیری ماشین (الف)
۳. مرور روش های کلاسیک در یادگیری ماشین (ب)
۴. مرور روش های کلاسیک در یادگیری ماشین (پ)
۵. مرور روش های کلاسیک در یادگیری ماشین (ت)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. مرور روش های کلاسیک در یادگیری ماشین (ث)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. مرور روش های کلاسیک در یادگیری ماشین (ج)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. مرور روش های کلاسیک در یادگیری ماشین (چ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. مرور روش های کلاسیک در یادگیری ماشین (ح)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. مرور روش های کلاسیک در یادگیری ماشین (خ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. مرور روش های کلاسیک در یادگیری ماشین (د)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۲. مرور روش های کلاسیک در یادگیری ماشین (ذ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۳. مرور روش های کلاسیک در یادگیری ماشین (ر)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۴. یادگیری تقویتی – Reinforcement Learning (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۵. یادگیری تقویتی – Reinforcement Learning (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۶. یادگیری تقویتی – Reinforcement Learning (پ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۷. یادگیری تقویتی – Reinforcement Learning (ت)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۸. یادگیری تقویتی – Reinforcement Learning (ث)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۹. یادگیری تقویتی – Reinforcement Learning (ج)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۲۰. یادگیری تقویتی – Reinforcement Learning (چ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۲۱. یادگیری تقویتی – Reinforcement Learning (ح)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۲۲. یادگیری تقویتی – Reinforcement Learning (خ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۲۳. یادگیری تقویتی – Reinforcement Learning (د)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۲۴. یادگیری تقویتی – Reinforcement Learning (ذ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۲۵. یادگیری تقویتی – Reinforcement Learning (ر)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۲۵ جلسه ویدئویی با مجموع ۲۰ ساعت و ۵۹ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

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


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 ۲۰ ساعت و ۵۹ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۱ گیگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۷,۳۱۶ نفر از این آموزش استفاده کرده‌اند و ۵۸ نظر ثبت شده است.
مهدی
مهدی
۱۴۰۱/۰۱/۰۳
من نتونستم با تدریسشون ارتباط بگیرم انگار که از روی فایل ها فقط میخونن و تند تند رد میشن. یعنی یجوری درس میدن که مخاطب باید از قبل مبحث رو بلد باشه تا حدودی. به نظر من اگه همزمان که صحبت میکنن روی تابلو هم بنویسن و با بیان ساده تری صحبت کنن بهتره.
Alireza
Alireza
۱۴۰۰/۱۱/۱۴
بنده سعادت شاگردی استاد کیهانی پور را داشته و دارم ایشان بسیار بر موضوعاتی که تدریس میفرمایند تسلط دارند و بیانی فصیح دارند. ارائه درس توسط ایشان بسیار عالی می باشد.
مائده
مائده
۱۴۰۰/۱۰/۱۱
ایشون عالی بودن ولی بهتره آموزششون به روز رسانی بشه، نکته های اساسی رو به خوبی مطرح میکنند.
مریم
مریم
۱۴۰۰/۰۲/۲۹
با ایشون من تو کلاس های حضوریشون هم حضور داشتم، فوق العاده فن بیان خوبی برای تدریس دارن.
امین
امین
۱۴۰۰/۰۲/۱۹
من رشتم کامپیوتره، با دیدن آموزش احساس کردم خیلی کیفیتشون بالاست و یه حالت آکادمیک داره خیلی خوب بود.
امیرحسین
امیرحسین
۱۴۰۰/۰۲/۱۹
محتوا و مطالب گفته شده متوسط هستش.
مهرداد
مهرداد
۱۴۰۰/۰۲/۰۱
خوب بود، خیلی دید خوبی بهم داد مربوط به رشتم بود ساده بود و زود به نتیجه میرسوند.
سجاد پرهیزکار
سجاد پرهیزکار
۱۳۹۹/۱۱/۰۵
محتویات عالیه اما بیان استاد تند هست و با جزیئات توضیح داده نشده و خیلی سریع شده
همه چیز. عالیه اما بیان استاد خوب نیست و بعضی مواقع متوجه نمیشیم چی گفتن . و روند صحبتشون به خصوص آهنگ صداشون یکنواخته و ادم خوابش میگیره اما خیلی استاد فهیم و با دانش هستند در این شکی نیست فقط با بیانشون مشکل داشتم خواب آور بود باید نشاطشون بیشتر بشه
در کل بد نیست خوبه
نسیم
نسیم
۱۳۹۹/۰۸/۱۷
دقیقققاااا خسته کننده و ضعیف تدریس می کنند اسلایدها هم ضعیفن اصلا از فرادرس انتظار نداشتم
یاسمن
یاسمن
۱۳۹۹/۰۳/۱۹
همه فرادرسایی که گرفتم عالین. درسو خوب شروع کردن و جامع درس دادند. استاد یک مقدار حاشیه می رفتن ولی مشکل ایجاد نمی کرد.
دسته‌بندی موضوعی: داده کاوی | یادگیری ماشین
برچسب‌ها:
Action | Agent | Artificial Neural Networks | Classification | Clustering | Decision Tree | Dynamic Programming | Eligibility Traces | environment | Exploitation | Exploration | Genetic Algorithms | Instance-based Learning | Markov Decision Process | Monte Carlo | Policy | Policy Evaluation | Policy Improvement | Probabilistic Learning | Q-Learning | Reinforcement Learning | Rule-based Learning | SARSA | supervised learning | Temporal-Difference Learning | Unsupervised Learning | ارزیابی سیاست | الگوریتم C4.5 | الگوریتم ID3 | الگوریتم ژنتیک | انتخاب کنش | برنامه ریزی پویا | حسابگری زیستی | خوشه بندی | درخت تصمیم | رده بندی | روش Off-policy | روش On-policy | روش Q-Learning | روش Reinforcement Comparison | روش SARSA | روش Softmax | روش های کلاسیک در یادگیری ماشین | روشهای یادگیری مونت کارلو | شبکه عصبی | عامل یادگیرنده | فرآیند تصمیم مارکوف | فرایند تصمیم مارکوف | مارکوف | معادلات Bellman | هوش مصنوعی | یادگیری Monte Carlo | یادگیری بدون نظارت | یادگیری تحت نظارت | یادگیری تفاوت زمانی | یادگیری تقویتی | یادگیری مبتنی بر تفاضل مقطعی | یادگیری مبتنی بر قواعد | یادگیری مبتنی بر نظریه احتمالات | یادگیری مبتنی بر نمونه ها | یادگیری مبتنی بر نمونه‌ها
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۲۵ جلسه ویدئویی
×