یادگیری ماشینی تحت نظارت در صنایع مختلفی از جمله بخش های مالی، تبلیغات آنلاین و تجزیه و تحلیل استفاده می شود. یادگیری تحت نظارت به شما اجازه می دهد تا سیستم خود را برای پیش بینی قیمت گذاری، تنظیمات کمپین، توصیه های مشتری، و خیلی بیشتر آموزش دهید. در این دوره با پیاده سازی و تفاوت های بسیاری از الگوریتم های یادگیری ماشینی تحت نظارت، تفاوت یادگیری ماشین تحت نظارت و بدون نظارت، مدل های پارامتری مانند رگرسیون خطی و منطقی، روش های غیر پارامتری مانند درخت تصمیم گیری و تکنیک های خوشه بندی مختلف برای تسهیل تصمیم گیری و پیش بینی ها، شبکه های عصبی و انتقال یادگیری و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • راه اندازی محیط یادگیری ماشینی
  • یادگیری تحت نظارت
  • Hill Climbing و Loss Functions
  • ارزیابی مدل و تقسیم داده ها
  • پیاده سازی مدل های پارامتری
  • مقدمه ای بر مدل های پارامتری و رگرسیون خطی
  • پیاده سازی رگرسیون خطی از ابتدا
  • مقدمه ای بر مدل های رگرسیون منطقی
  • پارامترهای مدل -Pros / Cons
  • کار با مدل های غیر پارامتری
  • مقدمه ای بر مدل های غیر پارامتری و درختان تصمیم گیری
  • درختان تصمیم گیری
  • مدل های غیر پارامتریک -Pros / Cons
  • موضوعات پیشرفته در ML تحت نظارت
  • شبکه عصبی و یادگیری عمیق
  • شبکه های عصبی
  • و غیره