یادگیری ماشین، به زبان ساده یعنی اینکه ماشین ها (سیستم های
کامپیوتری) از مجموعه داده هایی که به آنها می دهیم مطالبی را می آموزند به عبارت
دیگر روابط نهان داده ها را کشف می کنند و به کمک آنها میتوانند پیش بینی کنند و
یا در تصمیم گیری ها به ما کمک کنند. یادگیری ماشین زیرمجموعه ای از هوش مصنوعی
محسوب میشود و در دنیای امروز در زمینه های بسیار گوناگونی، اهمیت و کاربرد فراوانی
پیدا کرده (از جمله در زمینه های گوناگونی از مهندسی، پزشکی، زیست شناسی، اقتصاد و
تجارت، بازاریابی و فروش، شبکه های اجتماعی، امنیت سایبری، و ...) و فرصت های
پژوهشی و شغلی بسیاری در این زمینه به وجود آمده است.
ماشین لرنینگ در واقع آموزش برخی رفتار به اشیا است. اما این اتفاق چگونه صورت می پذیرد؟
به عنوان مثال اگر قصد داشته باشید اتاقی را تمیز کنید ، ممکن است بعد از چند ساعت خسته شوید و نتوانید اتاق را با کیفیت یکسان تمیز کنید و نتیجه مطلوبی نگیرید. اما اگر نظافت کردن را به یک ماشین بیاموزید ، می تواند بدون آنکه خسته شود و کیفیت نظافت افت کند کار را انجام دهد. می توانید کیفیت نظافت را بر اساس میزان کثیف بودن تنظیم کنید یا برای ماشین تعریف کنید تا خودش کثیفی را بررسی و تحلیل کند و سپس نظافت را انجام دهد.
ماشین تحلیل کند ؟ بله درست شنیدید. یادگیری ماشین می تواند قوه تفکر را در وسایل ایجاد کند و به ماشین بیاموزد تا در برخی شرایط خودش تفکر کند و تصمیم بگیرد.
در واقع می توانیم بگوییم شرایطی را فراهم کنیم تا ماشین خودش از خودش چیزی بیاموزد.
یادگیری ماشین یا Machine learning در زندگی روزمره ما بسیار دیده می شود ، به عنوان مثال :
تلفن همراه هوشمند شما می تواند چهره شما را هنگام بازگشایی رمز تشخیص دهد ، هنگام عکاسی با تلفن خود ، می تواند چهره اشخاص را شناسایی کند .
شبکه های اجتماعی که روزانه از آن ها استفاده می کنید ، اکسپلورر ، یا تبلیغات مربوطه را بر اساس جست و جوهای شما نمایش می دهد
هنگام خرید از فروشگاه های اینترنتی ، اقلامی به شما نمایش داده می شود که ممکن است شما با دیدن آنها اقدام به خرید آن محصولات کنید .
مقدمه ای بر یادگیری ماشین، تعاریف یادگیری نظارت شده (دسته بندی –
رگرسیون)/ نظارت نشده (خوشه بندی)- مثالها و کاربردها -
مروری بر برنامه نویسی پایتون –
معرفی Jupyter Notebook
معرفی سرویس Google Colab
آشنایی با بسته NumPy
آشنایی با بسته Pandas
مصورسازی داده ها با بسته MatplotLib
پیش پردازش داده ها (مقادیر ناموجود (missing
values)، نویز و داده های پرت، داده های تکراری،
نرمال سازی)
معرفی یادگیری نظارت شده - دسته بندی به روش Kنزدیکترین
همسایه (KNN)
معیارهای کارایی روش های دسته بندی - بیش برازش و کم برازش
رگرسیون (خطی و غیر خطی)
دسته بند رگرسیون لاجستیک (Logistic Regression)
دسته بند بردار پشتیبان (SVM) – انواع کرنلها
تنظیم پارامترهای مدل (Hyperparameters tuning)
دسته بند درخت تصمیم
دسته بند جنگل تصادفی (Random Forest)
دسته بند Naïve Bayes
خوشه بندی – روش K-Means
ارائه دوره به صورت کاملاً کاربردی و همزمان با مثال ها و مینی پروژه
های متعدد و پیاده سازی آنها با پایتون
شرح تئوریه ای یادگیری ماشین به زبان بسیار ساده و با حداقل فرمول های
ریاضی لازم
معرفی ابزارهای کاربردی لازم برای پیاده سازی عملی پروژه ها شامل Jupyter Notebook،، Google Colab و کلیه پکیج های لازم
