بازگشت به دوره‌ها

درباره این دوره

این دوره، دومین گام از مجموعه‌ی تخصصی یادگیری ماشین (Machine Learning Specialization) محسوب می‌شود و پس از گذراندن دوره‌ی اول (Supervised Machine Learning Regression and Classification) توصیه می‌گردد. دوره بر الگوریتم‌های پیشرفته‌تر و تکنیک‌های عملی برای پیاده‌سازی مدل‌های یادگیری ماشین در دنیای واقعی متمرکز است. فراگیران در این دوره با شبکه‌های عصبی، روش‌های ensemble و بهترین شیوه‌های توسعه‌ی مدل آشنا می‌شوند . پیش‌نیازها • گذراندن دوره‌ی اول مجموعه‌ی تخصصی یادگیری ماشین (Supervised Machine Learning: Regression and Classification) • آشنایی با برنامه‌نویسی پایتون در سطح متوسط • درک مفاهیم پایه‌ی جبر خطی و مشتق‌گیری دستاوردهای یادگیری فراگیران پس از تکمیل دوره، توانایی‌های زیر را کسب خواهند نمود : • ساخت و آموزش شبکه‌های عصبی با استفاده از چارچوب TensorFlow برای انجام دسته‌بندی چندکلاسه • پیاده‌سازی شبکه‌های عصبی از صفر در پایتون با استفاده از NumPy • انتخاب توابع فعال‌سازی مناسب و بهینه‌سازی مدل با استفاده از الگوریتم Adam • درک و به‌کارگیری بهترین شیوه‌های توسعه‌ی یادگیری ماشین برای بهبود عملکرد مدل و تعمیم‌پذیری • ساخت و استفاده از درخت‌های تصمیم و روش‌های ensemble شامل جنگل تصادفی (Random Forest) و درختان تقویتی (XGBoost) سرفصل‌های دوره هفته‌ی اول: شبکه‌های عصبی • عصب‌ها و مغز: شهود پشت شبکه‌های عصبی • لایه‌های شبکه‌ی عصبی و ساختارهای پیچیده‌تر • استنتاج و پیش‌بینی با شبکه‌های عصبی (انتشار به جلو - Forward Propagation) • پیاده‌سازی شبکه‌های عصبی با استفاده از چارچوب TensorFlow • پیاده‌سازی شبکه‌های عصبی از صفر در پایتون با استفاده از NumPy • عملیات ماتریسی و برداری‌سازی برای افزایش سرعت محاسبات هفته‌ی دوم: آموزش شبکه‌های عصبی • توابع فعال‌سازی جایگزین (ReLU، Softmax و سایر توابع) • انتخاب تابع فعال‌سازی مناسب برای هر لایه • دسته‌بندی چندکلاسه و تابع هزینه‌ی Softmax • بهینه‌ساز Adam و مزایای آن نسبت به کاهش شیب معمولی • دسته‌بندی چندبرچسبی (Multilabel Classification) • لایه‌های پیشرفته‌تر در شبکه‌های عصبی هفته‌ی سوم: توصیه‌هایی برای به‌کارگیری یادگیری ماشین • چرخه‌ی حیات یادگیری ماشین • ارزیابی مدل‌ها و انتخاب مدل مناسب • تشخیص و مدیریت بیش‌برازش (Bias و Variance) • منظم‌سازی و تأثیر آن بر بیش‌برازش • منحنی‌های یادگیری (Learning Curves) • تحلیل خطا و بهبود داده‌ها • یادگیری انتقالی (Transfer Learning) • معیارهای ارزیابی برای داده‌های نامتوازن هفته‌ی چهارم: درخت‌های تصمیم و روش‌های Ensemble • مدل درخت تصمیم و فرآیند یادگیری آن • معیارهای ناخالصی و انتخاب بهترین تقسیم (Information Gain) • کدگذاری One-Hot برای ویژگی‌های رسته‌ای • درخت‌های رگرسیون • روش‌های Ensemble: جنگل تصادفی (Random Forest) و درختان تقویتی (XGBoost) • زمان استفاده از درخت‌های تصمیم در مقابل شبکه‌های عصبی دوره‌های تکمیلی پس از اتمام موفقیت‌آمیز این دوره، فراگیران می‌توانند در دوره‌ی سوم و پایانی این مجموعه ثبت‌نام نمایند: • Unsupervised Learning, Recommenders, Reinforcement Learning – یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی

دوره الگوریتم‌های پیشرفته‌ی یادگیری
دوره الگوریتم‌های پیشرفته‌ی یادگیری

آنچه دریافت می‌کنید

  • زیرنویس فارسی اختصاصی با ترجمه‌ی دقیق
  • کد کامل پروژه‌ها
  • ارائه‌دهنده: دانشگاه استنفورد و DeepLearning.ai
  • زبان: انگلیسی (با زیرنویس فارسی)
  • ویدئوها با کیفیت 720p
  • سطح: مقدماتی
  • مدت: حدود ۳۴ ساعت
  • پلتفرم: Coursera

پرسش‌های متداول

آیا دوره «دوره الگوریتم‌های پیشرفته‌ی یادگیری» زیرنویس فارسی دارد؟

بله. دوره Advanced Learning Algorithms 2025 از Coursera با زیرنویس کامل فارسی در Coursin ارائه می‌شود.

مدرس دوره «دوره الگوریتم‌های پیشرفته‌ی یادگیری» کیست؟

این دوره توسط Andrew Ng تدریس می‌شود.

دوره «دوره الگوریتم‌های پیشرفته‌ی یادگیری» چقدر طول می‌کشد؟

مدت این دوره حدود ۳۴ ساعت است.

دوره «دوره الگوریتم‌های پیشرفته‌ی یادگیری» برای چه سطحی مناسب است؟

سطح این دوره مقدماتی است.

قیمت دوره «دوره الگوریتم‌های پیشرفته‌ی یادگیری» چقدر است؟

قیمت دسترسی کامل به این دوره ۱٬۸۰۰٬۰۰۰ تومان است.