localizeflow[bot]
f480b30e7b
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
مقدمهای بر یادگیری ماشین
آزمون پیش از درس
🎥 برای دیدن ویدیوی کوتاه مرور این درس، روی تصویر بالا کلیک کنید.
به این دوره یادگیری ماشین کلاسیک برای مبتدیان خوش آمدید! چه کاملاً در این موضوع تازهکار باشید و چه یک متخصص باتجربه یادگیری ماشین که میخواهد در بخشی بهروزرسانی شود، خوشحالیم که به ما ملحق شدهاید! ما میخواهیم یک نقطه شروع دوستانه برای مطالعه یادگیری ماشین شما ایجاد کنیم و مشتاقیم بازخوردهای شما را ارزیابی، پاسخ و در این درسها وارد کنیم. بازخورد شما
🎥 برای دیدن ویدیو: جان گاتتاگ از MIT یادگیری ماشین را معرفی میکند، روی تصویر بالا کلیک کنید.
شروع کار با یادگیری ماشین
قبل از شروع این برنامه درسی، باید رایانه خود را آماده کنید تا بتوانید دفترچههای یادداشت را بهصورت محلی اجرا کنید.
- رایانه خود را با این ویدیوها راهاندازی کنید. از لینکهای زیر استفاده کنید تا یاد بگیرید چگونه پایتون نصب کنید و چگونه یک ویرایشگر متن برای توسعه تنظیم کنید.
- پایتون بیاموزید. همچنین توصیه میشود یک درک پایه از پایتون، زبان برنامهنویسی مفید برای دانشمندان داده و مورد استفاده در این دوره، داشته باشید.
- Node.js و JavaScript را بیاموزید. ما همچنین چند بار در این دوره هنگام ساخت اپلیکیشنهای وب از جاوااسکریپت استفاده میکنیم، بنابراین باید node و npm را نصب کرده و Visual Studio Code را برای توسعه هم پایتون و هم جاوااسکریپت داشته باشید.
- یک حساب GitHub ایجاد کنید. از آنجا که ما را اینجا در GitHub یافتید، شاید حساب کاربری داشته باشید، اما اگر ندارید یک حساب بسازید و سپس این برنامه درسی را فورک کنید تا برای خود استفاده کنید. (اگر تمایل داشتید میتوانید به ما امتیاز دهید 😊)
- Scikit-learn را کاوش کنید. با Scikit-learn آشنا شوید، مجموعهای از کتابخانههای یادگیری ماشین که در این درسها به آنها ارجاع میدهیم.
یادگیری ماشین چیست؟
واژه «یادگیری ماشین» یکی از محبوبترین و پرکاربردترین اصطلاحات امروز است. احتمال قابل توجهی وجود دارد که اگر کمی با فناوری آشنا باشید، حداقل یک بار این اصطلاح را شنیده باشید، بدون توجه به حوزه کاری شما. اما مکانیزمهای یادگیری ماشین برای اکثر مردم ناگهان رازآلود است. برای یک مبتدی یادگیری ماشین، موضوع گاهی اوقات میتواند طاقتفرسا باشد. بنابراین مهم است که بفهمیم یادگیری ماشین دقیقاً چیست و آن را گام به گام با مثالهای عملی یاد بگیریم.
منحنی هیجان
گوگل ترندز نمودار «منحنی هیجان» اخیر اصطلاح «یادگیری ماشین» را نشان میدهد
یک جهان رازآلود
ما در جهانی پر از رازهای جذاب زندگی میکنیم. دانشمندان بزرگی مانند استیفن هاوکینگ، آلبرت اینشتین و بسیاری دیگر زندگی خود را وقف جستجوی اطلاعات معنا دار برای کشف اسرار دنیای اطراف کردهاند. این همان شرایط انسانی یادگیری است: کودکی انسانی هر سال با رشد خود به بزرگسالی، چیزهای جدیدی میآموزد و ساختار جهان خود را کشف میکند.
مغز کودک
مغز و حواس کودک، واقعیتهای محیط اطراف خود را درک کرده و به تدریج الگوهای پنهان زندگی را میآموزند که به کودک کمک میکند قواعد منطقی برای شناسایی الگوهای آموختهشده بسازد. فرایند یادگیری مغز انسان، انسان را پیچیدهترین موجود زنده این جهان میکند. یادگیری مداوم با کشف الگوهای پنهان و نوآوری روی آنها باعث میشود ما در طول عمر خود بهتر و بهتر شویم. این ظرفیت یادگیری و قابلیت تحول با مفهومی به نام انعطافپذیری مغز مرتبط است. به طور ظاهری میتوان برخی شباهتهای انگیزشی بین فرایند یادگیری مغز انسان و مفاهیم یادگیری ماشین رسم کرد.
مغز انسان
مغز انسان چیزهای دنیای واقعی را ادراک میکند، اطلاعات درک شده را پردازش میکند، تصمیمات منطقی میگیرد و بر اساس شرایط اقدامات خاصی انجام میدهد. این چیزی است که به آن رفتار هوشمندانه میگوییم. وقتی بخواهیم فرآیند رفتاری هوشمندانه را به صورت مشابه به ماشینی برنامهریزی کنیم، به آن هوش مصنوعی (AI) گفته میشود.
برخی اصطلاحات
اگرچه اصطلاحات ممکن است اشتباه گرفته شوند، یادگیری ماشین (ML) زیرمجموعه مهمی از هوش مصنوعی است. یادگیری ماشین به کارگیری الگوریتمهای تخصصی برای کشف اطلاعات معنا دار و یافتن الگوهای پنهان از دادههای درک شده برای پشتیبانی از فرآیند تصمیمگیری منطقی میپردازد.
هوش مصنوعی، یادگیری ماشین، یادگیری عمیق
نموداری که روابط بین هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و علوم داده را نشان میدهد. این اینفوگرافیک توسط Jen Looper با الهام از این گرافیک ساخته شده است.
مفاهیم پوشش داده شده
در این برنامه درسی، فقط مفاهیم اصلی یادگیری ماشین را که یک مبتدی باید بداند پوشش میدهیم. ما آنچه را «یادگیری ماشین کلاسیک» مینامیم عمدتاً با استفاده از Scikit-learn پوشش میدهیم، کتابخانه عالی که بسیاری از دانشجویان برای یادگیری مبانی استفاده میکنند. برای درک مفاهیم گستردهتر هوش مصنوعی یا یادگیری عمیق، دانش پایه قوی از یادگیری ماشین ضروری است، بنابراین میخواهیم آن را اینجا ارائه دهیم.
در این دوره یاد خواهید گرفت:
- مفاهیم اصلی یادگیری ماشین
- تاریخچه یادگیری ماشین
- یادگیری ماشین و عدالت
- تکنیکهای رگرسیون در یادگیری ماشین
- تکنیکهای طبقهبندی در یادگیری ماشین
- تکنیکهای خوشهبندی در یادگیری ماشین
- تکنیکهای پردازش زبان طبیعی در یادگیری ماشین
- تکنیکهای پیشبینی سریهای زمانی در یادگیری ماشین
- یادگیری تقویتی
- کاربردهای دنیای واقعی یادگیری ماشین
مواردی که پوشش نمیدهیم
- یادگیری عمیق
- شبکههای عصبی
- هوش مصنوعی
برای تجربه یادگیری بهتر، از پیچیدگیهای شبکههای عصبی، یادگیری عمیق — ساخت مدلهای چندلایه با شبکههای عصبی — و هوش مصنوعی که در برنامه درسی دیگری به آن خواهیم پرداخت، اجتناب میکنیم. همچنین برنامه درسی علوم دادهای آیندهای برای تمرکز بر آن جنبه ارائه خواهیم داد.
چرا یادگیری ماشین را بیاموزیم؟
یادگیری ماشین از دید سیستمها به عنوان ایجاد سیستمهای خودکاری تعریف میشود که میتوانند الگوهای پنهان در دادهها را یاد بگیرند تا در تصمیمگیری هوشمندانه کمک کنند.
این انگیزه به طور کلی الهام گرفته شده از نحوه یادگیری برخی چیزها توسط مغز انسان بر اساس دادههایی است که از دنیای بیرون درک میکند.
✅ برای یک دقیقه فکر کنید که چرا یک کسبوکار میخواهد به جای موتور قوانین کدگذاریشده سخت، از استراتژیهای یادگیری ماشین استفاده کند.
چرا کیفیت داده مهم است
دادههای با کیفیت بالا عملکرد مدل را بهبود میبخشند. دادههای ضعیف یا پر از صدا میتواند باعث پیشبینی نادرست شود، حتی با استفاده از الگوریتمهای پیشرفته یادگیری ماشین.
کاربردهای یادگیری ماشین
کاربردهای یادگیری ماشین اکنون تقریباً همه جا هستند و به اندازه دادههایی که در جوامع ما جریان دارند، فراگیر شدهاند، دادههایی که توسط تلفنهای هوشمند، دستگاههای متصل و سایر سیستمها تولید میشوند. با توجه به پتانسیل عظیم الگوریتمهای پیشرفته یادگیری ماشین، پژوهشگران در حال بررسی قابلیت آنها برای حل مسائل چندبعدی و چندرشتهای واقعی با نتایج مثبت چشمگیر هستند.
نمونههایی از یادگیری ماشین کاربردی
میتوانید از یادگیری ماشین به چندین روش استفاده کنید:
- پیشبینی احتمال بیماری بر اساس سابقه پزشکی یا گزارشهای بیمار.
- استفاده از دادههای آبوهوا برای پیشبینی رویدادهای آبوهوایی.
- فهم احساس متن.
- شناسایی اخبار جعلی برای جلوگیری از انتشار تبلیغات نادرست.
حوزههایی مانند مالی، اقتصاد، علوم زمین، اکتشاف فضایی، مهندسی زیستپزشکی، علوم شناختی و حتی رشتههای علوم انسانی یادگیری ماشین را برای حل مسائل پردازش دادههای پیچیده حوزه خود بهکار گرفتهاند.
نتیجهگیری
یادگیری ماشین فرایند کشف الگو را با یافتن بینشهای معنیدار از دادههای دنیای واقعی یا تولید شده خودکار میکند. این ابزار در کسبوکار، سلامت، مالی و دیگر زمینهها بسیار ارزشمند بوده است.
در آینده نزدیک، درک اصول یادگیری ماشین برای افراد از هر حوزه به دلیل پذیرش گسترده آن یک ضرورت خواهد بود.
🚀 چالش
در کاغذ یا با استفاده از یک اپلیکیشن آنلاین مانند Excalidraw درک خود را از تفاوتهای هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و علوم داده ترسیم کنید. چند ایده هم درباره مشکلاتی که هر یک از این تکنیکها در حل آنها خوب عمل میکنند اضافه کنید.
آزمون پایانی
مرور و خودآموزی
برای یادگیری بیشتر در مورد نحوه کار با الگوریتمهای یادگیری ماشین در فضای ابری، این مسیر یادگیری را دنبال کنید.
یک مسیر یادگیری در مورد مبانی یادگیری ماشین بگذرانید.
تمرین
سلب مسئولیت: این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیهایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.