مطالب پیشنهادی از سراسر وب

آموزش یادگیری ماشینی (پیشرفته)

دسته بندی ها: آموزش های ویژه ، آموزش هوش مصنوعی (AI) ، آموزش های یودمی (Udemy) ، یادگیری تقویتی (Reinforcement Learning) ، آموزش یادگیری عمیق (Deep Learning) ، آموزش یادگیری ماشینی (Machine Learning)

یادگیری ماشینی (پیشرفته)

یادگیری ماشینی (ML) یکی از سریعترین حوزه های در حال رشد در علم است. این امر تا حد زیادی مسئولیت ظهور شرکت های کلان داده مانند گوگل را بر عهده دارد و برای توسعه محصولات پرسود مانند Microsoft’s Kinect، سیستم توصیه کننده آمازون، سیستم های شناسایی اسپم در فیس بوک و موتورهای تبلیغاتی و محصولات بسیاری از شرکت های دیگر است. ML فناوری مهمی است که در تشخیص چهره در دوربین ها، شخصی سازی اخبار، سیستم های تبلیغاتی کتاب و فیلم، جستجوی تصویر و فیلم، تشخیص تقلب در کارت اعتباری، سیستم های تشخیص گفتار و بسیاری از برنامه های کاربردی دیگر که اکثر مردم آن را استفاده می کنند مناسب است. ML همچنین امکان استفاده از اتومبیل های بدون راننده، سیستم های مدیریت انرژی کارآمدتر و سیستم های بهبود یافته برای مدیریت مراقبت های بهداشتی را نیز فراهم آورده است.

از نظر آکادمیک، ML یکی از سریعترین رشته ها در همه جبهه ها است: نظریه، متدلوژی و کاربرد. ML به دلایل تاریخی به شدت با بخش های علوم کامپیوتر و آمار در آمریکای شمالی مرتبط است. با این حال، ML زیست شناسی، اخترفیزیک ، مهندسی و سایر زمینه های علمی را نیز متحول کرده است. نوآوری های ML مانند تقویت و SVM در میان دیگران ، آمارها را در سالهای اخیر به شدت تحت تأثیر قرار داده است و درهم آمیختگی آماری و ML ما را با ابزارهایی مانند جنگل های تصادفی (یک مؤلفه اصلی سنسور کینکت) در اختیار ما قرار داده است. ابزارهای مورد استفاده یادگیری تقویتی، بر تحقیقات عملیاتی در تجارت و مراقبت های بهداشتی تأثیر می گذارد.

  • آشنایی با یادگیری ماشینی
  • پیش بینی خطی
  • حداکثر احتمال و پیش بینی خطی
  • Ridge، رگرسیون غیرخطی با توابع پایه و اعتبار سنجی متقابل
  • یادگیری Bayesian
  • فرآیندهای گاوسی برای رگرسیون غیرخطی
  • بهینه سازی Bayesian، نمونه برداری تامپسون و bandits
  • درختان تصمیم گیری
  • جنگل های تصادفی
  • Spring break
  • برنامه های کاربردی جنگل های تصادفی: کشف اشیاء و Kinect
  • بهینه سازی بدون محدودیت: نزول گرادیان و متد نیوتن
  • رگرسیون لجستیک، IRLS و نمونه برداری از اهمیت
  • شبکه های عصبی
  • یادگیری عمیق با autoencoders
  • نمونه برداری اهمیت و MCMC
  • بهینه سازی محدود، لاگرانژی ها و دوگانگی
  • کاربرد احتمال حداکثر جزا و Lasso

این دوره برای چه کسی مناسب است:

  • اگر تجربه کد نویسی یا برنامه نویسی قبلی ندارید، می توانید در این دوره شرکت کنید.
  • هر کس علاقه مند به علم داده است
  • هر کسی که علاقه مند باشد که واقعاً یادگیری عمیق چگونه عمل می کند
  • توسعه دهندگان نرم افزار و یا برنامه نویسانی که می خواهند به مسیر دانش حرفه ای پرسود و مسیر حرفه ای یادگیری ماشینی راه پیدا کنند، از این دوره چیزهای زیادی می آموزند.

آنچه یاد خواهید گرفت:

  • آشنایی با یادگیری ماشینی
  • پیش بینی خطی
  • حداکثر احتمال و پیش بینی خطی
  • Ridge، رگرسیون غیرخطی با توابع پایه و اعتبار سنجی متقابل
  • یادگیری Bayesian
  • فرآیندهای گاوسی برای رگرسیون غیرخطی
  • بهینه سازی Bayesian، نمونه برداری تامپسون و bandits
  • درختان تصمیم گیری
  • جنگل های تصادفی
  • Spring break
  • برنامه های کاربردی جنگل های تصادفی: کشف اشیاء و Kinect
  • بهینه سازی بدون محدودیت: نزول گرادیان و متد نیوتن
  • رگرسیون لجستیک، IRLS و نمونه برداری از اهمیت
  • شبکه های عصبی
  • یادگیری عمیق 
  • نمونه برداری اهمیت و MCMC
  • بهینه سازی محدود، لاگرانژی ها و دوگانگی
  • کاربرد احتمال حداکثر جزا و Lasso
  • یادگیری عمیق
  • یادگیری تقویتی

این دوره شامل:

  • 71 ساعت فیلم آموزشی
  • 10 مقاله
  • 90 منبع قابل بارگیری

سرفصل های دوره:

  • بیایید شروع کنیم
    • اول از همه
    • یادگیری عمیق - سطح پیشرفته
  • یادگیری ماشینی
    • آشنایی با یادگیری عمیق
    • یادگیری ماشینی - پیش بینی خطی
    • یادگیری ماشینی - احتمال حداکثر و رگرسیون خطی
    • یادگیری ماشینی - نظم زدایی و رگرسیون
    • یادگیری ماشینی - نظم زدایی، اعتبار سنجی متقابل و سایز داده
    • یادگیری ماشینی - یادگیری Bayesian - بخش 1
    • یادگیری ماشینی - یادگیری Bayesian  - بخش 2
    • یادگیری ماشینی - آشنایی با فرآیندهای Gaussian
    • یادگیری ماشینی - فرآیندهای Gaussian
    • تکلیف
    • یادگیری ماشینی - بهینه سازی Bayesian و Multi-armed bandits
    • یادگیری ماشینی - درختان تصمیم گیری
    • یادگیری ماشینی - جنگل های تصادفی
    • یادگیری ماشینی - کاربردهای جنگل های تصادفی
    • یادگیری ماشینی - بهینه سازی نامحدود
    • یادگیری ماشینی - رگرسیون منطقی
    • تکلیف
    • یادگیری ماشینی - شبکه های عصبی 
    • یادگیری ماشینی - یادگیری عمیق - بخش 1
    • یادگیری ماشینی - یادگیری عمیق - بخش 2
    • یادگیری ماشینی - نمونه برداری اهمیت و MCMC - بخش 1
    • یادگیری ماشینی - (Markov Chain Monte Carlo (MCMC - بخش 2
    • تکلیف
  • مقالات و اطلاعات اضافی
    • اعمال الگوریتم های یادگیری ماشینی
    • انتزاع مهم
    • عناصر داده کاوی یادگیری آماری، رابط و پیش بینی
    • یادگیری ماشینی - چشم انداز احتمالی
    • شبکه های عصبی برای یادگیری عمیق
    • یادگیری پایتون با پیاده سازی موتور جستجو
  • مدرسه یادگیری عمیق
    • آشنایی با یادگیری ماشینی
    • شبکه های عصبی - بخش 1
    • Autodiff
    • شبکه های عصبی - بخش 2
    • دید عمیق پیشرفته
    • RAMP
    • مدل های تولیدی - بخش 1
    • مدل های تولیدی - بخش 2 
    • قابلیت تفسیر
    • تئوری
    • بهینه سازی - بخش 1
    • بهینه سازی - بخش 2
    • شبکه عصبی مکرر (RNN)
    • درک زبان
    • یادگیری Multimodal
    • علوم اعصاب محاسباتی
    • شبکه های عصبی Bayesian
    • یادگیری عمیق و موسیقی
  • یادگیری تقویتی
    • معرفی RL و TD
    • جستجوی خط مشی
    • Batch RL و ADP
    • یادگیری Off-Policy
    • Bandits و Explore-Exploit در RL
    • انتزاع موقتی
    • چند کاره و انتقال در RL
    • Deep RL
    • یادگیری تقلید
    • ایمنی در RL
    • RL چند عاملی
  • کاربرد یادگیری ماشینی
    • آینده یادگیری ماشینی و جاوا اسکریپت
    • در یادگیری ماشین Devizce با TensorFLOW
    • یادگیری عمیق با Go
    • یادگیری ماشینی در Uber - موارد استفاده از پردازش زبان طبیعی
    • یادگیری ماشینی - ML سمت سرور و ML سمت کلاینت
    • یادگیری ماشینی  برای توسعه دهندگان نرم افزار
    • زیرساخت های یادگیری ماشینی
    • یادگیری ماشین عملی برای توسعه دهندگان Front End
    • پیش بینی بازماندگان تایتانیک با یادگیری ماشینی
    • یادگیری ماشینی تنسورفلو با جاوااسکریپت
    • یادگیری ماشینی و هستی شناسی
    • اجرای مدل های یادگیری عمیق در مرورگر با JavaScript و ConvNetJS
    • گراف های دانش - یادگیری عمیق در YouTube
    • سریع ترین مسیر برای یادگیری عمیق

 

مقدمه ای بر یادگیری ماشین

 

یادگیری عمیق

 

پیش بینی خطی

 

شبکه های عصبی
 

آیا این نوشته را دوست داشتید؟
Udemy Machine Learning (ADVANCED) Publisher:Udemy Author:Didaktik ACADEMY Duration:71 hours Level:ADVANCED

Description

Machine Learning (ADVANCED)

Machine Learning (ML) is one of the fastest growing areas of science. It is largely responsible for the rise of giant data companies such as Google, and it has been central to the development of lucrative products, such as Microsoft’s Kinect, Amazon’s recommender system, the spam detection systems of Facebook, and the advertising engines of these and many other companies. ML is the key enabling technology behind face detection in consumer cameras, news personalization, book and movie recommender systems, image and video search, credit card fraud detection, speech recognition systems, and many more applications that most people have begun to take for granted. ML has also begun to make it possible to have automatically-driven cars, more efficient energy management systems, and improved systems for health-care management.

Academically, ML is one of the fastest growing fields in all fronts: Theory, methodology and application. ML for historical reasons is strongly connected to computer science and statistics departments in North America. However, it is also revolutionizing biology, astrophysics, engineering, and all other areas of science. ML innovations, such as boosting and SVMs among others, have strongly impacted statistics in recent years, and the interplay of statistics and ML has left us with tools such as random forests (a key component of the kinect sensor). Tools from bandits and reinforcement learning are impacting operations research in business and health-care.

  • Introduction to machine learning.

  • Linear prediction.

  • Maximum likelihood and linear prediction.

  • Ridge, nonlinear regression with basis functions and Cross-validation.

  • Bayesian learning

  • Gaussian processes for nonlinear regression

  • Bayesian optimization, Thompson sampling and bandits.

  • Decision trees.

  • Random forests.

  • Spring break.

  • Random forests applications: Object detection and Kinect.

  • Unconstrained optimization: Gradient descent and Newton's method.

  • Logistic regression, IRLS and importance sampling.

  • Neural networks.

  • Deep learning with autoencoders.

  • Importance sampling and MCMC.

  • Constrained optimization, Lagrangians and duality.

  • Application to penalized maximum likelihood and Lasso.

This course has some videos on youtube that has Creative Commen Licence (CC).

Who this course is for:
  • If you have no prior coding or scripting experience, you can also attend this lesson.
  • Anyone who interest Data Science
  • Anyone who interest how deep learning really works
  • Software developers or programmers who want to transition into the lucrative data science and machine learning career path will learn a lot from this course.

What you'll learn

  • Introduction to machine learning.
  • Linear prediction
  • Maximum likelihood and linear prediction
  • Ridge, nonlinear regression with basis functions and Cross-validation
  • Bayesian learning
  • Gaussian processes for nonlinear regression
  • Bayesian optimization, Thompson sampling and bandits
  • Decision trees
  • Random forests
  • Spring break
  • Random forests applications
  • Unconstrained optimization
  • Gradient descent and Newton's method
  • Logistic regression, IRLS and importance sampling
  • Neural networks
  • Deep learning
  • Importance sampling and MCMC
  • Constrained optimization, Lagrangians and duality
  • Application to penalized maximum likelihood and Lasso
  • Deep Learning
  • Reinforcement Learning

This course includes

  • 71 hours on-demand video
  • 10 articles
  • 90 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion

Requirements

  • Basic information about Calculus.

Curriculum

  • Let's START
    • First of ALL...
    • Learn Machine Learning Master Level
  • Machine Learning
    • Introduction to Machine Learning
    • Machine Learning - Linear Prediction
    • Machine Learning - Maximum likelihood and linear regression
    • Machine Learning - Regularization and regression
    • Machine Learning - Regularization, Cross-Validation and Data Size
    • Machine Learning - Bayesian Learning 001
    • Machine Learning - Bayesian Learning 002
    • Machine Learning - Introduction to Gaussian Processes
    • Machine Learning - Gaussian Processes
    • HOMEWORK
    • Machine Learning - Bayesian optimization and Multi-armed bandits
    • Machine Learning - Decision Trees
    • Machine Learning - Random Forests
    • Machine Learning - Random Forests Applications
    • Machine Learning - Unconstrained Optimization
    • Machine Learning - Logistic Regression
    • HOME WORK
    • Machine Learning - Neural Networks
    • Machine Learning - Deep Learning 01
    • Machine Learning - Deep Learning 02
    • Machine Learning - Importance Sampling and MCMC 01
    • Machine Learning - Markov Chain Monte Carlo (MCMC) 02
    • HOMEWORK
  • Additional INFORMATION & Articles
    • Applying ML Algorithms
    • Important Abstract
    • The Elements of Statistical Learning Data Mining, Inference, and Prediction
    • Machine Learning: a Probabilistic Perspective
    • Neural Networks for Machine Learning
    • Learn python by implementing a search engine
  • BONUS Deep Learning School
    • 01 Introduction to Machine Learning
    • 02 Neural Networks I
    • 03 Autodiff
    • 04 Neural Networks II
    • 05 Advanced Deep Vision
    • 06 RAMP (Practical session)
    • 07 Generative Models I
    • 08 Generative Models II
    • 09 Interpretability
    • 10 Theory
    • 11 Optimization I
    • 12 Optimization II
    • 13 Recurrent Neural Networks (RNNs)
    • 14 Language Understanding
    • 15 Multimodal Learning
    • 16 Computational Neuroscience
    • 17 Bayesian Neural Nets
    • 18 Deep Learning and Music
  • BONUS Reinforcement Learning
    • 01 Introduction to RL and TD
    • 02 Policy Search
    • 03 Batch RL and ADP
    • 04 Off-Policy Learning
    • 05 Bandits and Explore-Exploit in RL
    • 06 Temporal Abstraction
    • 07 Multi-task and Transfer in RL
    • 08 Deep RL
    • 09 Imitation Learning
    • 10 Safety in RL
    • 11 Multi-agent RL
  • BONUS | Application of Machine Learning
    • The Future of Machine Learning and JavaScript
    • On Devizce Machine Learning with TensorFLOW
    • Deep Learning with Go
    • Machine Learning at Uber - Natural Language Processing Use Cases
    • Machine Learning Client-side ML vs Server-side ML
    • Machine Learning For Software Developers
    • Machine Learning Infrastructure
    • Practical Machine Learning for Front End Developers
    • Predicting Titanic Survivors With Machine Learning
    • TensorFlow Machine Learning In JavaScript
    • Machine Learning and Ontology
    • Run Deep Learning Models in the Browser With JavaScript and ConvNetJS
    • Knowledge Graphs - Deep Learning at YouTube
    • The Fastest Path To Deep Learning

پیشنهاد آموزش مرتبط در فرادرس

خرید لینک های دانلود
  • حجم فایل: 36.8GB
  • زبان: انگلیسی
  • زیرنویس انگلیسی: ندارد
  • قیمت: 12000 تومان
  • آموزش یادگیری ماشینی (پیشرفته) یک محصول ویژه است و دریافت لینک های دانلود آن با پرداخت هزینه امکان پذیر است. اطلاعات بیشتر