بازگشت به دوره‌ها

درباره این دوره

این دوره، سومین و آخرین گام از مجموعه‌ی تخصصی یادگیری ماشین (Machine Learning Specialization)محسوب می‌شود و پس از گذراندن دو دوره‌ی پیشین (رگرسیون و دسته‌بندی و الگوریتم‌های پیشرفته) توصیه می‌گردد. دوره بر الگوریتم‌های یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی متمرکز است و فراگیران را با کاربردهای پیشرفته‌تر یادگیری ماشین در دنیای واقعی آشنا می‌سازد . پیش‌نیازها • گذراندن دو دوره‌ی پیشین مجموعه‌ی تخصصی یادگیری ماشین: o Supervised Machine Learning: Regression and Classification o Advanced Learning Algorithms • 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 : • به‌کارگیری تکنیک‌های یادگیری بدون نظارت شامل خوشه‌بندی (Clustering) و تشخیص ناهنجاری (Anomaly Detection) • ساخت سیستم‌های توصیه‌گر با رویکرد فیلتر مشارکتی (Collaborative Filtering) و روش مبتنی بر محتوا با استفاده از شبکه‌های عصبی عمیق • ساخت مدل یادگیری تقویتی عمیق (Deep Reinforcement Learning) • پیاده‌سازی الگوریتم K-Means برای خوشه‌بندی داده‌ها • پیاده‌سازی سیستم تشخیص ناهنجاری با استفاده از توزیع گاوسی • پیاده‌سازی شبکه‌ی Q-Learning عمیق برای حل مسائل تصمیم‌گیری پیاپی سرفصل‌های دوره هفته‌ی اول: یادگیری بدون نظارت • خوشه‌بندی (Clustering) و شهود پشت الگوریتم K-Means • الگوریتم K-Means و تابع هدف بهینه‌سازی • روش‌های مقداردهی اولیه و انتخاب تعداد خوشه‌ها • تشخیص ناهنجاری (Anomaly Detection) و توزیع گاوسی • الگوریتم تشخیص ناهنجاری و ارزیابی عملکرد آن • مقایسه‌ی تشخیص ناهنجاری با یادگیری نظارت‌شده • انتخاب ویژگی‌های مناسب برای تشخیص ناهنجاری • پروژه‌ی برنامه‌نویسی: پیاده‌سازی K-Means و تشخیص ناهنجاری هفته‌ی دوم: سیستم‌های توصیه‌گر • مروری بر سیستم‌های توصیه‌گر و کاربردهای دنیای واقعی • فیلتر مشارکتی (Collaborative Filtering) و الگوریتم‌های آن • پیاده‌سازی فیلتر مشارکتی با استفاده از TensorFlow • روش‌های مبتنی بر محتوا (Content-Based Filtering) با شبکه‌های عصبی عمیق • پیاده‌سازی روش مبتنی بر محتوا با استفاده از TensorFlow • ملاحظات اخلاقی در ساخت سیستم‌های توصیه‌گر • پروژه‌ی برنامه‌نویسی: پیاده‌سازی سیستم توصیه‌گر با دو رویکرد فیلتر مشارکتی و مبتنی بر محتوا هفته‌ی سوم: یادگیری تقویتی • مفاهیم کلیدی: بازگشت (Return)، حالت (State)، اقدام (Action) و سیاست (Policy) • معادلات بلمن (Bellman Equations) و تابع ارزش حالت-اقدام • یادگیری تقویتی و شبکه‌های Q-Learning عمیق • فضای حالت پیوسته (Continuous State Spaces) • پیاده‌سازی شبکه‌ی Q-Learning عمیق • پروژه‌ی برنامه‌نویسی: فرود یک فرودگر مجازی روی سطح مریخ با استفاده از یادگیری تقویتی عمیق دوره‌های تکمیلی پس از اتمام موفقیت‌آمیز این دوره، مجموعه‌ی تخصصی یادگیری ماشین به‌طور کامل تکمیل می‌شود. فراگیران می‌توانند برای ادامه‌ی مسیر یادگیری، به دوره‌های تخصصی‌تر زیر مراجعه نمایند: • Deep Learning Specialization – مجموعه‌ی تخصصی یادگیری عمیق (شامل شبکه‌های عصبی کانولوشنی، شبکه‌های بازگشتی و موارد دیگر) • Natural Language Processing Specialization – مجموعه‌ی تخصصی پردازش زبان طبیعی • Data Science and Machine Learning – سایر دوره‌های مرتبط با علم داده و یادگیری ماشین

دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی
دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی

آنچه دریافت می‌کنید

  • زیرنویس فارسی اختصاصی با ترجمه‌ی دقیق
  • ارائه‌دهنده: دانشگاه استنفورد و DeepLearning.ai
  • زبان: انگلیسی (با زیرنویس فارسی)
  • ویدئوها با کیفیت 720p
  • سطح: مقدماتی
  • مدت: حدود ۲۷ ساعت
  • پلتفرم: Coursera

پرسش‌های متداول

آیا دوره «دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی» زیرنویس فارسی دارد؟

بله. دوره Unsupervised Learning, Recommenders, Reinforcement Learning 2025 از Coursera با زیرنویس کامل فارسی در Coursin ارائه می‌شود.

مدرس دوره «دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی» کیست؟

این دوره توسط Andrew Ng تدریس می‌شود.

دوره «دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی» چقدر طول می‌کشد؟

مدت این دوره حدود ۲۷ ساعت است.

دوره «دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی» برای چه سطحی مناسب است؟

سطح این دوره مقدماتی است.

قیمت دوره «دوره یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی» چقدر است؟

قیمت دسترسی کامل به این دوره ۱٬۲۰۰٬۰۰۰ تومان است.