History

leestott e4050807fb 🌐 Update translations via Co-op Translator		2 weeks ago
..
README.md	🌐 Update translations via Co-op Translator	2 weeks ago
assignment.md	🌐 Update translations via Co-op Translator	2 weeks ago

README.md

مقدمه‌ای بر یادگیری ماشین

آزمون پیش از درس

🎥 روی تصویر بالا کلیک کنید تا ویدئوی کوتاهی درباره این درس مشاهده کنید.

به این دوره آموزشی درباره یادگیری ماشین کلاسیک برای مبتدیان خوش آمدید! چه کاملاً تازه‌کار باشید و چه یک متخصص یادگیری ماشین که به دنبال مرور یک موضوع خاص است، خوشحالیم که به ما پیوسته‌اید! هدف ما ایجاد یک نقطه شروع دوستانه برای مطالعه یادگیری ماشین شماست و خوشحال می‌شویم بازخورد شما را ارزیابی، پاسخ‌دهی و اعمال کنیم.

🎥 روی تصویر بالا کلیک کنید تا ویدئوی جان گوتاگ از MIT درباره یادگیری ماشین را مشاهده کنید.

شروع با یادگیری ماشین

قبل از شروع این دوره آموزشی، باید کامپیوتر خود را آماده کنید تا بتوانید نوت‌بوک‌ها را به صورت محلی اجرا کنید.

کامپیوتر خود را با این ویدئوها تنظیم کنید. از لینک‌های زیر استفاده کنید تا نصب پایتون روی سیستم خود را یاد بگیرید و ویرایشگر متن را برای توسعه تنظیم کنید.
پایتون را یاد بگیرید. توصیه می‌شود که درک پایه‌ای از پایتون، یک زبان برنامه‌نویسی مفید برای دانشمندان داده که در این دوره استفاده می‌شود، داشته باشید.
Node.js و JavaScript را یاد بگیرید. ما همچنین چند بار در این دوره از JavaScript برای ساخت اپلیکیشن‌های وب استفاده می‌کنیم، بنابراین باید node و npm نصب شده باشند و Visual Studio Code برای توسعه پایتون و JavaScript در دسترس باشد.
یک حساب GitHub ایجاد کنید. از آنجا که ما را در GitHub پیدا کرده‌اید، ممکن است قبلاً حساب داشته باشید، اما اگر ندارید، یکی ایجاد کنید و سپس این دوره آموزشی را فورک کنید تا خودتان از آن استفاده کنید. (خوشحال می‌شویم اگر به ما یک ستاره بدهید 😊)
Scikit-learn را بررسی کنید. با Scikit-learn، مجموعه‌ای از کتابخانه‌های یادگیری ماشین که در این درس‌ها به آنها اشاره می‌کنیم، آشنا شوید.

یادگیری ماشین چیست؟

اصطلاح "یادگیری ماشین" یکی از محبوب‌ترین و پرکاربردترین اصطلاحات امروز است. احتمال زیادی وجود دارد که حداقل یک بار این اصطلاح را شنیده باشید، اگر با فناوری آشنایی داشته باشید، فارغ از اینکه در چه حوزه‌ای کار می‌کنید. اما مکانیزم یادگیری ماشین برای اکثر افراد یک راز است. برای یک مبتدی در یادگیری ماشین، این موضوع گاهی اوقات می‌تواند گیج‌کننده باشد. بنابراین، مهم است که بفهمیم یادگیری ماشین واقعاً چیست و آن را قدم به قدم، از طریق مثال‌های عملی یاد بگیریم.

منحنی هیجان

Google Trends منحنی هیجان اخیر اصطلاح "یادگیری ماشین" را نشان می‌دهد.

جهانی اسرارآمیز

ما در جهانی پر از اسرار جذاب زندگی می‌کنیم. دانشمندان بزرگی مانند استیون هاوکینگ، آلبرت انیشتین و بسیاری دیگر زندگی خود را وقف جستجوی اطلاعات معنادار کرده‌اند که اسرار دنیای اطراف ما را آشکار می‌کند. این همان وضعیت انسانی یادگیری است: یک کودک انسان چیزهای جدیدی یاد می‌گیرد و ساختار دنیای خود را سال به سال با رشد به بزرگسالی کشف می‌کند.

مغز کودک

مغز و حواس یک کودک حقایق اطراف خود را درک می‌کنند و به تدریج الگوهای پنهان زندگی را یاد می‌گیرند که به کودک کمک می‌کند قوانین منطقی برای شناسایی الگوهای یادگرفته شده بسازد. فرآیند یادگیری مغز انسان، انسان‌ها را به پیچیده‌ترین موجودات زنده این دنیا تبدیل کرده است. یادگیری مداوم با کشف الگوهای پنهان و سپس نوآوری بر اساس آن الگوها به ما امکان می‌دهد که در طول زندگی خود بهتر و بهتر شویم. این ظرفیت یادگیری و قابلیت تکامل به مفهومی به نام انعطاف‌پذیری مغز مرتبط است. به طور سطحی، می‌توانیم شباهت‌های انگیزشی بین فرآیند یادگیری مغز انسان و مفاهیم یادگیری ماشین ترسیم کنیم.

مغز انسان

مغز انسان چیزهایی را از دنیای واقعی درک می‌کند، اطلاعات درک‌شده را پردازش می‌کند، تصمیمات منطقی می‌گیرد و بر اساس شرایط اقدامات خاصی انجام می‌دهد. این همان چیزی است که ما آن را رفتار هوشمندانه می‌نامیم. وقتی فرآیند رفتار هوشمندانه را به صورت مصنوعی به یک ماشین برنامه‌ریزی می‌کنیم، به آن هوش مصنوعی (AI) می‌گویند.

برخی اصطلاحات

اگرچه این اصطلاحات ممکن است گیج‌کننده باشند، یادگیری ماشین (ML) یک زیرمجموعه مهم از هوش مصنوعی است. یادگیری ماشین به استفاده از الگوریتم‌های تخصصی برای کشف اطلاعات معنادار و یافتن الگوهای پنهان از داده‌های درک‌شده برای تأیید فرآیند تصمیم‌گیری منطقی می‌پردازد.

هوش مصنوعی، یادگیری ماشین، یادگیری عمیق

نموداری که روابط بین هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و علم داده را نشان می‌دهد. اینفوگرافیک توسط Jen Looper الهام گرفته از این گرافیک

مفاهیمی که پوشش داده می‌شوند

در این دوره آموزشی، ما فقط مفاهیم اصلی یادگیری ماشین را که یک مبتدی باید بداند پوشش می‌دهیم. ما چیزی را که "یادگیری ماشین کلاسیک" می‌نامیم، عمدتاً با استفاده از Scikit-learn، یک کتابخانه عالی که بسیاری از دانش‌آموزان برای یادگیری اصول استفاده می‌کنند، آموزش می‌دهیم. برای درک مفاهیم گسترده‌تر هوش مصنوعی یا یادگیری عمیق، داشتن دانش بنیادی قوی از یادگیری ماشین ضروری است، و ما قصد داریم آن را در اینجا ارائه دهیم.

در این دوره شما یاد خواهید گرفت:

مفاهیم اصلی یادگیری ماشین
تاریخچه یادگیری ماشین
یادگیری ماشین و عدالت
تکنیک‌های یادگیری ماشین در رگرسیون
تکنیک‌های یادگیری ماشین در طبقه‌بندی
تکنیک‌های یادگیری ماشین در خوشه‌بندی
تکنیک‌های پردازش زبان طبیعی در یادگیری ماشین
تکنیک‌های پیش‌بینی سری‌های زمانی در یادگیری ماشین
یادگیری تقویتی
کاربردهای واقعی یادگیری ماشین

مواردی که پوشش داده نمی‌شوند

یادگیری عمیق
شبکه‌های عصبی
هوش مصنوعی

برای تجربه یادگیری بهتر، از پیچیدگی‌های شبکه‌های عصبی، یادگیری عمیق - مدل‌سازی چندلایه با استفاده از شبکه‌های عصبی - و هوش مصنوعی اجتناب خواهیم کرد، که در یک دوره آموزشی دیگر به آن‌ها خواهیم پرداخت. همچنین یک دوره آموزشی آینده درباره علم داده ارائه خواهیم داد تا بر جنبه‌های این حوزه بزرگ‌تر تمرکز کنیم.

چرا یادگیری ماشین مطالعه کنیم؟

یادگیری ماشین، از دیدگاه سیستمی، به عنوان ایجاد سیستم‌های خودکار تعریف می‌شود که می‌توانند الگوهای پنهان را از داده‌ها یاد بگیرند تا به تصمیم‌گیری هوشمندانه کمک کنند.

این انگیزه به طور کلی از نحوه یادگیری مغز انسان بر اساس داده‌هایی که از دنیای بیرون درک می‌کند، الهام گرفته شده است.

✅ برای یک دقیقه فکر کنید که چرا یک کسب‌وکار ممکن است بخواهد از استراتژی‌های یادگیری ماشین استفاده کند در مقابل ایجاد یک موتور مبتنی بر قوانین سخت‌کد شده.

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 سیستم‌های دیگر تولید می‌شوند. با توجه به پتانسیل عظیم الگوریتم‌های پیشرفته یادگیری ماشین، محققان قابلیت‌های آن‌ها را برای حل مشکلات چندبعدی و چندرشته‌ای واقعی با نتایج مثبت عالی بررسی کرده‌اند.

مثال‌هایی از یادگیری ماشین کاربردی

شما می‌توانید یادگیری ماشین را به روش‌های مختلفی استفاده کنید:

پیش‌بینی احتمال بیماری از تاریخچه پزشکی یا گزارش‌های بیمار.
استفاده از داده‌های هواشناسی برای پیش‌بینی رویدادهای جوی.
درک احساسات یک متن.
شناسایی اخبار جعلی برای جلوگیری از انتشار تبلیغات.

مالی، اقتصاد، علوم زمین، اکتشافات فضایی، مهندسی زیست‌پزشکی، علوم شناختی و حتی حوزه‌های علوم انسانی یادگیری ماشین را برای حل مشکلات سنگین پردازش داده در حوزه خود تطبیق داده‌اند.

نتیجه‌گیری

یادگیری ماشین فرآیند کشف الگوها را با یافتن بینش‌های معنادار از داده‌های واقعی یا تولیدشده خودکار می‌کند. این فناوری در کاربردهای تجاری، بهداشتی و مالی، و بسیاری دیگر ارزش خود را ثابت کرده است.

در آینده نزدیک، درک اصول یادگیری ماشین برای افراد در هر حوزه‌ای به دلیل پذیرش گسترده آن ضروری خواهد بود.

🚀 چالش

در یک کاغذ یا با استفاده از یک اپلیکیشن آنلاین مانند Excalidraw، تفاوت‌های بین هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و علم داده را ترسیم کنید. برخی از ایده‌های مشکلاتی که هر یک از این تکنیک‌ها برای حل آن‌ها مناسب هستند را اضافه کنید.

آزمون پس از درس

مرور و مطالعه شخصی

برای یادگیری بیشتر درباره نحوه کار با الگوریتم‌های یادگیری ماشین در فضای ابری، این مسیر یادگیری را دنبال کنید.

یک مسیر یادگیری درباره اصول یادگیری ماشین بگذرانید.

تکلیف

شروع به کار کنید

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.