شروع کار هوش مصنوعی شما هرگز ساده تر نبوده است

#Breakintoai با تخصص جدید یادگیری ماشین ، یک برنامه بنیادی به روز شده برای مبتدیان ایجاد شده توسط اندرو نگ.

تخصص یادگیری ماشین

درباره دوره اصلی

در مورد مربی

یک پیشگام در صنعت هوش مصنوعی ، اندرو نگ با همکاری Google Brain and Coursera ، تحقیقات AI را در Baidu رهبری کرد و با دوره های یادگیری ماشین خود به میلیون ها زبان آموز رسیده و تأثیر گذاشته است.

چگونه تخصص یادگیری ماشین می تواند به شما کمک کند

تخصصی به روز شده که به تازگی بازسازی شده و به 3 دوره گسترش یافته است ، قبل از معرفی کد مورد نیاز برای اجرای الگوریتم ها و ریاضیات اساسی ، مفاهیم بنیادی هوش مصنوعی را از طریق یک رویکرد بصری بصری آموزش می دهد.

من یک مبتدی کامل هستم

• نیازی به دانش ریاضی قبلی یا پیشینه کدگذاری دقیق ندارد
• برنامه درسی اصلی - که توسط میلیون ها نفر از زبان آموزان در طول سالها مورد بررسی قرار گرفته است - می گیرد و آن را نزدیک تر می کند
• هر درس با نمایش تصویری از مفاهیم یادگیری ماشین آغاز می شود و به دنبال آن کد و به دنبال آن فیلم های اختیاری توضیح می دهند که ریاضیات اساسی را توضیح می دهد

من ثبت نام کردم اما دوره اصلی یادگیری ماشین را کامل نکردم

• نیازی به دانش ریاضی قبلی یا پیشینه کدگذاری دقیق ندارد
• شهود ، تمرین کد و تئوری ریاضی را برای ایجاد یک تجربه یادگیری ساده و مؤثر متعادل می کند
• شامل نوت بوک های کد جدید بدون نسخه با نمونه کد و نمودارهای تعاملی برای کمک به شما در تکمیل تکالیف درجه بندی شده

من قبلاً دوره اصلی یادگیری ماشین را گذرانده ام

• راه عالی برای تازه کردن مفاهیم ML بنیادی
• تکالیف و سخنرانی ها برای استفاده از پایتون به جای اکتاو بازسازی شده اند
• بخش استفاده از یادگیری ماشین بر اساس بهترین شیوه های نوظهور از دهه گذشته به طور قابل توجهی به روز شده است
• نه برای شما؟با تخصص یادگیری عمیق قدم بعدی را بردارید!

آنچه زبان آموزان می گویند

"ثبت نام در دوره یادگیری ماشین ، نتیجه گیری ترین تصمیمی بود که من تاکنون گرفته ام. هنگامی که من با بیکاری روبرو شدم ، با ترکیب یادگیری عمیق و داده های وال استریت ، همه چیز را چرخاندم تا رویای شروع خود را تحقق بخشد! "

"من به عنوان یک دانشمند رفتاری ، توانستم روش هایی را برای درک بهتر مشتریان خود اتخاذ کنم ، بر رویکرد سنتی یک اندازه متناسب با همه غلبه کنم ، و مداخلات طراحی را که شخصیت و تفاوت های فردی را به خود اختصاص می دهد."

"من به دانش خود در مورد یادگیری ماشین اعتماد کردم. از آن زمان ، من به یک مربی یادگیری ماشین تبدیل شده ام ، یک مقاله تحقیقاتی منتشر کردم که در IEEE منتشر شد ، تصمیم گرفتم که استادان خود را در یادگیری ماشین دنبال کنم و توانستم در JP Morgan Chase کار کنم. "

وی گفت: "دوره یادگیری ماشین به یک چراغ راهنمایی تبدیل شد. اندرو نگ مفاهیم را با تجسم و توطئه های ساده توضیح می دهد. من یاد گرفتم که چگونه نتایج آموزشی خود را ارزیابی کنم و نتایج را برای همکاران ، رئیس و حتی معاون رئیس شرکت ما توضیح دهم. "

وی گفت: "دوره یادگیری ماشین به توسعه مهارت های حل مسئله من ، الهام بخش از نگرش آزمایش و ایجاد اشتیاق به یادگیری ماشین کمک کرد. از آن زمان ، من چندین فرآیند سرمایه گذاری را خودکار کرده ام و با داده های سرمایه گذاری آزمایش کرده ام. "

"دوره یادگیری ماشین توسط اندرو نگ دانش من را گسترش داد ، بنابراین می توانم یک مقاله تحقیقاتی در مورد تشخیص احساسات صورت بنویسم و کارآموزی را در مورگان استنلی بنویسم."

وی گفت: "در سال 2017 ، دوره یادگیری ماشین به من کمک کرد تا بینش عمیقی در مورد پردازش زبان طبیعی بدست آورم و باعث شد من در مورد یک پروژه ML جدید با یک دوست فکر کنم. ما یک برنامه ML با یک نمونه ابر ساختیم تا زندگینامه های ضبط شده با بینش های تولید شده NLP را تقویت کنیم! "

"من یک دانشمند محاسباتی با دکتری D. در PHSYICS هسته ای نظری هستم. من در حال کار بر روی یک پروژه تحقیقاتی بودم که شامل مجموعه داده های باستان شناسی بود که در نهایت منجر به انتشار شد. مبانی یادگیری ماشین از کلاس اندرو در تحقق آن ضروری بود. "

"سبک تدریس اندرو به من کمک کرد تا مفاهیم بنیادی را درک کنم. دانش تازه به دست آمده از دوره یادگیری ماشین به من کمک کرد تا یک موقعیت دوم بعد از دکتری را به دست بیاورم ، آموزش هایی را برای دو دوره علوم داده اجرا کنم و اولین مقاله یادگیری ماشین من را بنویسم! "

"ثبت نام در دوره یادگیری ماشین ، نتیجه گیری ترین تصمیمی بود که من تاکنون گرفته ام. هنگامی که من با بیکاری روبرو شدم ، با ترکیب یادگیری عمیق و داده های وال استریت ، همه چیز را چرخاندم تا رویای شروع خود را تحقق بخشد! "

"من به عنوان یک دانشمند رفتاری ، توانستم روش هایی را برای درک بهتر مشتریان خود اتخاذ کنم ، بر رویکرد سنتی یک اندازه متناسب با همه غلبه کنم ، و مداخلات طراحی را که شخصیت و تفاوت های فردی را به خود اختصاص می دهد."

مربیان

اندرو نگ

ادی شرم

آرتیگول

جف لادویگ

با همکاری استنفورد آنلاین ایجاد شده است

مهارتهایی که به دست خواهید آورد

• رگرسیون خطی
• رگرسیون لجستیک
• شبکه های عصبی
• درختان تصمیم گیری
• سیستم توصیهگر
• یادگیری تحت نظارت
• رگرسیون لجستیک برای طبقه بندی
• نزول شیب
• منظم برای جلوگیری از بیش از حد
• تانسور جریان
• گروه های
• XGBOOST
• مشاوره برای توسعه مدل
• یادگیری بدون نظارت
• تشخیص ناهنجاری
• فیلتر مشارکتی
• یادگیری تقویت کننده

سرفصل دروس

اگر می خواهید وارد هوش مصنوعی برش شوید ، این دوره به شما کمک می کند تا این کار را انجام دهید. مهندسان یادگیری عمیق بسیار مورد توجه قرار می گیرند و تسلط بر یادگیری عمیق فرصت های شغلی جدید زیادی را به شما می دهد. یادگیری عمیق همچنین یک "ابرقدرت" جدید است که به شما امکان می دهد سیستم های هوش مصنوعی بسازید که چند سال پیش فقط امکان پذیر نبودند.

در اولین دوره تخصص یادگیری ماشین ، شما:

• ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های یادگیری ماشین محبوب Numpy و Scikit-Lea.
• برای پیش بینی و کارهای طبقه بندی باینری ، از جمله رگرسیون خطی و رگرسیون لجستیک ، مدل های یادگیری ماشین نظارت شده را بسازید و آموزش دهید

هفته 1

• تفاوت بین یادگیری و رگرسیون و رگرسیون و طبقه بندی تحت نظارت و بدون نظارت را بیاموزید.
• یک مدل رگرسیون خطی بسازید.
• هدف از عملکرد هزینه را پیاده سازی و درک کنید.
• پیاده سازی و درک نحوه استفاده از نزول شیب برای آموزش یک مدل یادگیری ماشین.

هفته 2

• یک مدل رگرسیون را بسازید و آموزش دهید که چندین ویژگی را به عنوان ورودی (رگرسیون خطی چندگانه) در نظر بگیرد.
• عملکرد هزینه و نزول شیب را برای رگرسیون خطی چندگانه پیاده سازی و درک کنید.
• با انتخاب نرخ یادگیری ، ترسیم منحنی یادگیری ، انجام مهندسی ویژگی و استفاده از رگرسیون چند جمله ای ، روشهای بهبود مدل های یادگیری ماشین را پیاده سازی و درک کنید.

هفته 3

• مدل رگرسیون لجستیک را برای طبقه بندی پیاده سازی و درک کنید.
• بیاموزید که چرا رگرسیون لجستیک برای کارهای طبقه بندی بهتر از مدل رگرسیون خطی مناسب است.
• عملکرد هزینه و نزول شیب را برای رگرسیون لجستیک پیاده سازی و درک کنید.
• مشکل "بیش از حد" را درک کرده و عملکرد مدل را با استفاده از منظم بهبود بخشید.
• برای بهبود هر دو مدل رگرسیون و طبقه بندی منظم را اجرا کنید.

در دوره دوم تخصصی یادگیری ماشین ، شما می توانید: یک شبکه عصبی با TensorFlow برای انجام طبقه بندی چند طبقه بسازید و آموزش دهید. بهترین شیوه ها را برای توسعه یادگیری ماشین اعمال کنید تا مدل های شما تعمیم دهند ...

در دوره دوم تخصص یادگیری ماشین ، شما:

• برای انجام طبقه بندی چند طبقه ، یک شبکه عصبی با TensorFlow بسازید و آموزش دهید.
• بهترین شیوه ها را برای توسعه یادگیری ماشین اعمال کنید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم دهند.
• ایجاد و استفاده از درختان تصمیم گیری و روش های گروه درخت ، از جمله جنگل های تصادفی و درختان تقویت شده.

هفته 1 هدف یادگیری

• برای طبقه بندی باینری ارقام دستنویس با استفاده از Tensorflow یک شبکه عصبی بسازید.
• با اجرای یک شبکه عصبی در پایتون از ابتدا ، درک عمیق تری کسب کنید.
• به صورت اختیاری یاد بگیرید که چگونه محاسبات شبکه عصبی برای استفاده از پردازش موازی برای آموزش سریعتر و پیش بینی "بردار" شده است.

هفته 2 هدف یادگیری

• ایجاد یک شبکه عصبی برای انجام طبقه بندی چند کلاس از ارقام دست نوشته در Tensorflow ، با استفاده از توابع از دست دادن متقابل آنتروپی و فعال سازی SoftMax.
• بیاموزید بسته به کاری که می خواهید مدل شما انجام دهد ، از کجا استفاده کنید تا از توابع مختلف فعال سازی (Relu ، Linear ، Sigmoid ، SoftMax) استفاده کنید.
• از "Adam Optimizer" پیشرفته برای آموزش کارآمدتر مدل خود استفاده کنید.

هفته 3 هدف یادگیری

• مقدار جدا کردن مجموعه داده های خود را در مجموعه های آموزش ، اعتبار سنجی و مجموعه های آزمایش کشف کنید.
• از بین نسخه های مختلف مدل خود با استفاده از یک مجموعه داده اعتبار سنجی متقاطع را انتخاب کرده و توانایی آن را برای تعمیم داده های دنیای واقعی با استفاده از یک مجموعه داده تست ارزیابی کنید.
• از "منحنی های یادگیری" برای تعیین اینکه مدل شما در حال تجربه تعصب بالا یا واریانس بالا (یا هر دو) است ، استفاده کنید و یاد بگیرید که کدام تکنیک ها را اعمال کنید (منظم سازی ، اضافه کردن داده های بیشتر ، اضافه کردن یا حذف ویژگی های ورودی) برای بهبود عملکرد مدل شما.
• بیاموزید که چگونه "تجارت تعصب-واریانس" در عصر یادگیری عمیق متفاوت است و توصیه های اندرو نگ را برای رسیدگی به تعصب و واریانس هنگام آموزش شبکه های عصبی اعمال می کند.
• بیاموزید که از "حلقه تکراری" توسعه یادگیری ماشین برای آموزش ، ارزیابی و تنظیم مدل خود استفاده کنید.
• "AI محور داده" را نه تنها مدل خود را تنظیم کنید بلکه داده های خود را تنظیم کنید (با استفاده از سنتز داده یا افزایش داده ها) برای بهبود عملکرد مدل خود.

هفته 4 هدف یادگیری

• درختان تصمیم گیری و گروه های درختی مانند جنگل تصادفی و XGBoost (درختان تقویت شده) را برای پیش بینی ایجاد کنید.
• بیاموزید که چه موقع از مدل های عصبی یا مدل های گروه درختی برای کار خود استفاده کنید ، زیرا این دو مدل یادگیری تحت نظارت امروزه در تمرین هستند.

در دوره سوم تخصص یادگیری ماشین ، شما از تکنیک های یادگیری بدون نظارت برای یادگیری بدون نظارت استفاده خواهید کرد: از جمله خوشه بندی و تشخیص ناهنجاری. سیستم های پیشنهادی را با یک رویکرد فیلتر مشترک و یک عمیق مبتنی بر محتوا بسازید ...