إعلان

دورة مجانية في التعلم الالي من جامعة ستنفورد

 

دورة مجانية في التعلم الالي من جامعة ستنفورد

تقدم هذه الدورة مقدمة واسعة للتعلم الآلي، والبيانات، والتعرف الإحصائي على الأنماط. تشمل الموضوعات: (1) التعلم الخاضع للإشراف (الخوارزميات البارامترية / غير المعلمية ، وآلات ناقلات الدعم ، والنواة ، والشبكات العصبية). (2) التعلم غير الخاضع للإشراف (التجميع، تقليل الأبعاد، أنظمة التوصية، التعلم العميق). ستستند الدورة أيضًا إلى العديد من دراسات الحالة والتطبيقات، بحيث ستتعلم أيضًا كيفية تطبيق خوارزميات التعلم لبناء الروبوتات الذكية (الإدراك والتحكم) وفهم النص (البحث على الويب ومكافحة البريد العشوائي) ورؤية الكمبيوتر والمعلوماتية الطبية، والصوت، والتنقيب في قواعد البيانات، ومجالات أخرى.

منهج التدريس.

الانحدار الخطي بمتغير واحد

يتنبأ الانحدار الخطي بمخرجات ذات قيمة حقيقية بناءً على قيمة إدخال. نناقش تطبيق الانحدار الخطي للتنبؤ بأسعار الإسكان، ونقدم فكرة دالة التكلفة، ونقدم طريقة التدرج المتدرج للتعلم.

مراجعة الجبر الخطي

توفر هذه الوحدة الاختيارية تجديدًا لمفاهيم الجبر الخطي. يعد الفهم الأساسي للجبر الخطي ضروريًا لبقية الدورة، خاصةً عندما نبدأ في تغطية النماذج ذات المتغيرات المتعددة.

الانحدار الخطي بمتغيرات متعددة

ماذا لو كانت مدخلاتك تحتوي على أكثر من قيمة؟ في هذه الوحدة، نوضح كيف يمكن تمديد الانحدار الخطي لاستيعاب ميزات الإدخال المتعددة. نناقش أيضًا أفضل الممارسات لتنفيذ الانحدار الخطي.

اوكتاف / ماتلاب تعليمي

تتضمن هذه الدورة مهام البرمجة المصممة لمساعدتك على فهم كيفية تنفيذ خوارزميات التعلم في الممارسة العملية. لإكمال مهام البرمجة، ستحتاج إلى استخدام Octave أو MATLAB. تقدم هذه الوحدة أوكتاف / ماتلاب وتوضح لك كيفية إرسال مهمة.

الانحدار اللوجستي

الانحدار اللوجستي هو طريقة لتصنيف البيانات إلى نتائج منفصلة. على سبيل المثال، قد نستخدم الانحدار اللوجستي لتصنيف البريد الإلكتروني على أنه بريد عشوائي أو ليس بريدًا عشوائيًا. في هذه الوحدة، نقدم مفهوم التصنيف، ودالة التكلفة للانحدار اللوجستي، وتطبيق الانحدار اللوجستي على التصنيف متعدد الفئات.

تنظيم

تحتاج نماذج التعلم الآلي إلى التعميم جيدًا على الأمثلة الجديدة التي لم يشهدها النموذج في الممارسة. في هذه الوحدة، نقدم التنظيم، مما يساعد على منع النماذج من احتواء بيانات التدريب بشكل زائد.

الشبكات العصبية: التمثيل

الشبكات العصبية هي نموذج مستوحى من طريقة عمل الدماغ. يتم استخدامه على نطاق واسع اليوم في العديد من التطبيقات: عندما يقوم هاتفك بترجمة وفهم أوامرك الصوتية، فمن المحتمل أن تساعد الشبكة العصبية في فهم كلامك؛ عند صرف شيك، فإن الآلات التي تقرأ الأرقام تلقائيًا تستخدم أيضًا الشبكات العصبية.

الشبكات العصبية: التعلم

في هذه الوحدة، نقدم خوارزمية backpropagation التي تُستخدم للمساعدة في تعلم معلمات الشبكة العصبية. في نهاية هذه الوحدة، ستقوم بتنفيذ الشبكة العصبية الخاصة بك للتعرف على الأرقام.

نصائح لتطبيق التعلم الآلي

إن تطبيق التعلم الآلي في الممارسة العملية ليس دائمًا أمرًا سهلاً. في هذه الوحدة، نشارك أفضل الممارسات لتطبيق التعلم الآلي في الممارسة العملية، ونناقش أفضل الطرق لتقييم أداء النماذج التي تم تعلمها.

تصميم نظام التعلم الآلي

لتحسين خوارزمية التعلم الآلي، ستحتاج أولاً إلى فهم أين يمكن إجراء أكبر التحسينات. في هذه الوحدة، نناقش كيفية فهم أداء نظام التعلم الآلي بأجزاء متعددة، وكذلك كيفية التعامل مع البيانات المنحرفة.

دعم آلات المتجهات

آلات المتجهات الداعمة، أو SVMs ، هي خوارزمية تعلم آلي للتصنيف. نقدم الفكرة والحدس وراء SVMs ونناقش كيفية استخدامها في الممارسة العملية.

تعليم غير مشرف عليه

نحن نستخدم التعلم غير الخاضع للإشراف لبناء نماذج تساعدنا على فهم بياناتنا بشكل أفضل. نناقش خوارزمية k-Means للتجميع التي تمكننا من تعلم مجموعات من نقاط البيانات غير المسماة.

تخفيض الأبعاد

في هذه الوحدة، نقدم تحليل المكونات الرئيسية، ونوضح كيف يمكن استخدامه لضغط البيانات لتسريع خوارزميات التعلم وكذلك لتصورات مجموعات البيانات المعقدة.

إكتشاف عيب خلقي

بالنظر إلى عدد كبير من نقاط البيانات، قد نرغب أحيانًا في معرفة النقاط التي تختلف اختلافًا كبيرًا عن المتوسط. على سبيل المثال، في التصنيع، قد نرغب في اكتشاف العيوب أو الحالات الشاذة. نعرض كيف يمكن نمذجة مجموعة البيانات باستخدام توزيع غاوسي ، وكيف يمكن استخدام النموذج لاكتشاف الشذوذ.

أنظمة التوصية

عندما تشتري منتجًا عبر الإنترنت، فإن معظم مواقع الويب توصي تلقائيًا بمنتجات أخرى قد تعجبك. تنظر أنظمة التوصية في أنماط الأنشطة بين مختلف المستخدمين والمنتجات المختلفة لإنتاج هذه التوصيات. في هذه الوحدة، نقدم خوارزميات التوصية مثل خوارزمية التصفية التعاونية وعوامل المصفوفة منخفضة الرتبة.

تعلم الآلة على نطاق واسع

يعمل التعلم الآلي بشكل أفضل عندما يكون هناك وفرة من البيانات للاستفادة منها في التدريب. في هذه الوحدة، نناقش كيفية تطبيق خوارزميات التعلم الآلي مع مجموعات البيانات الكبيرة.

مثال على التطبيق: Photo OCR

يعد تحديد الأشياء والكلمات والأرقام في الصورة والتعرف عليها مهمة صعبة. نناقش كيف يمكن بناء خط أنابيب لمعالجة هذه المشكلة وكيفية تحليل وتحسين أداء مثل هذا النظام.

سجل الان

إعلان

إعلان

إعلان




وضع القراءة :
حجم الخط
+
16
-
تباعد السطور
+
2
-