درباره این دوره
این دوره، دومین گام از مجموعهی تخصصی Mathematics for Machine Learning and Data Science محسوب میشود و توسط DeepLearning.AI ارائه گردیده است . در یادگیری ماشین، مفاهیم ریاضی از طریق برنامهنویسی به کار گرفته میشوند؛ از این رو در این دوره، فراگیران مفاهیم حسابان را با استفاده از زبان پایتون در تمرینهای عملی آزمایشگاهی پیادهسازی میکنند . این دوره با بهرهگیری از روشهای آموزشی نوآورانه و تجسمهای بصری، به فراگیران کمک میکند تا بهسرعت و بهصورت شهودی، ریاضیات پشت یادگیری ماشین را درک نمایند . بسیاری از مهندسان یادگیری ماشین و دانشمندان داده با ریاضیات مشکل دارند و حتی متخصصان باتجربه نیز ممکن است به دلیل کمبود مهارتهای ریاضی دچار محدودیت شوند؛ این دوره برای رفع این نیاز طراحی شده است . پیشنیازها • سطح ریاضیات دبیرستانی (توابع، جبر پایه) • آشنایی با برنامهنویسی پایتون در سطح پایه تا متوسط (ساختارهای داده، حلقهها، توابع، عبارات شرطی، اشکالزدایی) • تمام کتابخانههای مورد نیاز یادگیری ماشین در طول دوره معرفی میشوند دستاوردهای یادگیری فراگیران پس از تکمیل دوره، تواناییهای زیر را کسب خواهند نمود : • بهینهسازی تحلیلی انواع مختلف توابع رایج در یادگیری ماشین با استفاده از ویژگیهای مشتقات و گرادیانها • بهینهسازی تقریبی انواع مختلف توابع رایج در یادگیری ماشین با استفاده از روشهای تکراری مرتبهی اول (گرادیان کاهشی) و مرتبهی دوم (روش نیوتن) • تفسیر بصری مشتقگیری از انواع مختلف توابع رایج در یادگیری ماشین • اجرای گرادیان کاهشی در شبکههای عصبی با توابع فعالسازی و هزینهی مختلف سرفصلهای دوره هفتهی اول: مشتقات و بهینهسازی (Derivatives and Optimization) • مفاهیم پایهی مشتق و کاربرد آن در یادگیری ماشین • قواعد مشتقگیری (قاعدهی جمع، ضرب و زنجیرهای) • مشتق توابع نمایی و لگاریتمی • بهینهسازی توابع با استفاده از مشتق • بهینهسازی تابع هزینهی مربعات و تابع هزینهی لُگلاس • تمرین برنامهنویسی: بهینهسازی توابع تکمتغیره هفتهی دوم: گرادیانها و گرادیان کاهشی (Gradients and Gradient Descent) • مشتقات جزئی و گرادیان • تفسیر هندسی گرادیان • بهینهسازی با استفاده از گرادیان (روش تحلیلی) • الگوریتم گرادیان کاهشی (Gradient Descent) • پیادهسازی گرادیان کاهشی برای رگرسیون خطی • تمرین برنامهنویسی: بهینهسازی با گرادیان کاهشی هفتهی سوم: بهینهسازی در شبکههای عصبی و روش نیوتن (Optimization in Neural Networks and Newton's Method) • رگرسیون با پرسپترون و تابع هزینه • گرادیان کاهشی در پرسپترون • دستهبندی با پرسپترون و تابع سیگموئید • محاسبهی مشتقات در شبکههای عصبی • روش نیوتن برای بهینهسازی دورههای تکمیلی پس از اتمام موفقیتآمیز این دوره، فراگیران میتوانند در ادامهی مسیر یادگیری خود در مجموعهی تخصصی Mathematics for Machine Learning and Data Science، به دورههای زیر بپردازند : • Linear Algebra for Machine Learning and Data Science – جبر خطی برای یادگیری ماشین و علم داده • Probability & Statistics for Machine Learning & Data Science – احتمال و آمار برای یادگیری ماشین و علم داده


آنچه دریافت میکنید
- زیرنویس فارسی اختصاصی با ترجمهی دقیق
- ارائهدهنده: DeepLearning.ai
- زبان: انگلیسی (با زیرنویس فارسی)
- ویدئوها با کیفیت 720p
- سطح: مقدماتی
- مدت: حدود ۲۶ ساعت
- پلتفرم: Coursera
پرسشهای متداول
آیا دوره «دوره حساب و دیفرانسیل برای یادگیری ماشین و علم داده» زیرنویس فارسی دارد؟
بله. دوره Calculus for Machine Learning and Data Science 2025 از Coursera با زیرنویس کامل فارسی در Coursin ارائه میشود.
مدرس دوره «دوره حساب و دیفرانسیل برای یادگیری ماشین و علم داده» کیست؟
این دوره توسط Luis Serrano تدریس میشود.
دوره «دوره حساب و دیفرانسیل برای یادگیری ماشین و علم داده» چقدر طول میکشد؟
مدت این دوره حدود ۲۶ ساعت است.
دوره «دوره حساب و دیفرانسیل برای یادگیری ماشین و علم داده» برای چه سطحی مناسب است؟
سطح این دوره مقدماتی است.
قیمت دوره «دوره حساب و دیفرانسیل برای یادگیری ماشین و علم داده» چقدر است؟
قیمت دسترسی کامل به این دوره ۷۰۰٬۰۰۰ تومان است.