بازگشت به دوره‌ها

درباره این دوره

این دوره، نقطه‌ی شروع عالی برای کسانی است که می‌خواهند وارد دنیای یادگیری ماشین و هوش مصنوعی شوند. این دوره که توسط دانشگاه استنفورد و DeepLearning.AI ارائه می‌شود و توسط اندرو انگ (Andrew Ng) اسطوره‌ی دنیای یادگیری ماشین تدریس می‌شود، اولین دوره از مجموعه‌ی سه‌گانه‌ی تخصصی یادگیری ماشین (Machine Learning Specialization) در پلتفرم Coursera است. این دوره برای افراد مبتدی طراحی شده و با نمره‌ی ۴.۹ از ۵، تاکنون میلیون‌ها زبان‌آموز از آن استفاده کرده‌اند. این دوره یک مقدمه‌ی جامع و کامل بر مفاهیم بنیادین یادگیری ماشین مدرن ارائه می‌دهد. پیش‌نیازها • آشنایی مقدماتی با برنامه‌نویسی پایتون (متغیرها، حلقه‌ها، توابع، ساختارهای شرطی) • درک پایه‌ای از ریاضیات دبیرستانی (جبر خطی، مشتق‌گیری و ماتریس‌ها) سرفصل‌های دوره هفته‌ی اول: مفاهیم پایه و رگرسیون خطی • آشنایی با یادگیری ماشین و انواع آن (نظارت‌شده، بدون نظارت و تقویتی) • مدل رگرسیون خطی (Linear Regression) • تابع هزینه (Cost Function) و مفهوم سطح خطا • الگوریتم کاهش شیب (Gradient Descent) و نحوه‌ی به‌روزرسانی پارامترها • اجرای عملی رگرسیون خطی در پایتون هفته‌ی دوم: رگرسیون چندمتغیره • توسعه‌ی رگرسیون خطی به حالت چندمتغیره (Multiple Linear Regression) • برداری‌سازی (Vectorization) و افزایش سرعت محاسبات • مقیاس‌سازی ویژگی‌ها (Feature Scaling) و نرمال‌سازی • مهندسی ویژگی (Feature Engineering) و ایجاد ویژگی‌های جدید • رگرسیون چندجمله‌ای (Polynomial Regression) • انتخاب نرخ یادگیری (Learning Rate) مناسب هفته‌ی سوم: دسته‌بندی • رگرسیون لجستیک (Logistic Regression) و تابع سیگموئید • مفهوم مرز تصمیم‌گیری (Decision Boundary) • تابع هزینه‌ی دسته‌بندی و الگوریتم کاهش شیب برای دسته‌بندی • مشکل بیش‌برازش (Overfitting) و راه‌های تشخیص آن • منظم‌سازی (Regularization) به روش L1 و L2 • پیاده‌سازی دسته‌بندی در پایتون با استفاده از scikit-learn دستاوردهای یادگیری فراگیران پس از تکمیل دوره، توانایی‌های زیر را کسب خواهند نمود: • پیاده‌سازی مدل‌های یادگیری ماشین در پایتون با استفاده از کتابخانه‌های NumPy و scikit-learn • ساخت و آموزش مدل رگرسیون خطی برای پیش‌بینی عددی • ساخت و آموزش مدل رگرسیون لجستیک برای دسته‌بندی • درک مفاهیم کلیدی نظیر تابع هزینه، الگوریتم گرادیان کاهشی، مقیاس‌سازی ویژگی‌ها، مهندسی ویژگی، بیش‌برازش و منظم‌سازی دوره‌های تکمیلی پس از اتمام موفقیت‌آمیز این دوره، فراگیران می‌توانند از دو دوره‌ی بعدی این مجموعه استفاده کنند: • Advanced Learning Algorithms – الگوریتم‌های پیشرفته‌ی یادگیری • Unsupervised Learning, Recommenders, Reinforcement Learning – یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی

دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی
دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی

آنچه دریافت می‌کنید

  • زیرنویس فارسی اختصاصی با ترجمه‌ی دقیق
  • تمرین و پروژه عملی
  • تدریس توسط بهترین مدرس کورسرا
  • ویدئوها با کیفیت 720p
  • ارائه‌دهنده: دانشگاه استنفورد و DeepLearning.ai
  • زبان: انگلیسی (با زیرنویس فارسی)
  • سطح: مقدماتی
  • مدت: حدود ۳۳ ساعت
  • پلتفرم: Coursera

پرسش‌های متداول

آیا دوره «دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی» زیرنویس فارسی دارد؟

بله. دوره Supervised Machine Learning: Regression and Classification 2025 از Coursera با زیرنویس کامل فارسی در Coursin ارائه می‌شود.

مدرس دوره «دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی» کیست؟

این دوره توسط Andrew Ng تدریس می‌شود.

دوره «دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی» چقدر طول می‌کشد؟

مدت این دوره حدود ۳۳ ساعت است.

دوره «دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی» برای چه سطحی مناسب است؟

سطح این دوره مقدماتی است.

قیمت دوره «دوره یادگیری ماشین نظارت‌شده: رگرسیون و دسته‌بندی» چقدر است؟

قیمت دسترسی کامل به این دوره ۱٬۱۰۰٬۰۰۰ تومان است.