به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

هدف این درس این است که به شما یک درک کامل از یادگیری ماشین، نظریه پوشش، کاربرد و عملکرد درونی الگوریتم های یادگیری نظارت شده، بدون نظارت و یادگیری عمیق بدهد.

در این سری، رگرسیون خطی، نزدیک ترین K همسایگان، ماشین های بردار پشتیبانی (SVM)، خوشه تخت، خوشه بندی سلسله مراتبی و شبکه های عصبی را پوشش می دهیم.

برای هر الگوریتم عمده ای که پوشش می دهیم، ما در مورد شهود سطح بالا از الگوریتم ها و چگونگی منطقی بودن آن ها کار خواهیم کرد. بعد، الگوریتم های کد را با استفاده از مجموعه داده های دیتا واقعی همراه با یک ماژول، مانند Scikit-Learn یاد می گیریم. در نهایت، ما با بازسازی آنها در کد، از ابتدا، خودمان، از جمله تمام ریاضیات درگیر، به کارهای درونی هر یک از الگوریتم ها غرق خواهیم شد. این باید به شما درک کاملی از دقیق بودن نحوه کارکرد الگوریتم ها، چگونگی اصلاح آنها، مزایا و معایب آنها بدهد.

به منظور پیگیری همراه با مجموعه، من پیشنهاد می کنم حداقل درک پایه ای از پایتون داشته باشید. اگر شما این کار را نکرده اید و آموزش های متناسب را ندیده اید، پیشنهاد می کنم حداقل به آموزش Python 3 Basics تا نصب ماژول با آموزش پی اچ پی مراجعه کنید. اگر شما درک پایه ای از پایتون داشته باشید و تمایل به یادگیری داشته و سوالات را بپرسید،  قادر خواهید بود بدون هیچ مشکلی به این موضوع پی ببرید. اکثر الگوریتم های یادگیری دستگاه در واقع بسیار ساده هستند، زیرا آنها باید به منظور مقیاس دادن به مجموعه داده های بزرگ باشند. ریاضی مربوطه به طور معمول جبر خطی است، اما من بهترین کار را انجام خواهم داد تا همه ریاضیات را توضیح دهم. اگر شما در مورد هر موضوع اشتباه برداشت کرده / از دست داده / کنجکاو هستید، در بخش نظرات در همینجا، و یا با ایمیل از من بپرسید. شما همچنین باید Scikit-Learn و Pandas را نصب کنید، همراه با دیگر بسته هایی که در طول مسیر آن را شرح خواهیم داد.

یادگیری ماشین در سال 1959 توسط آرتور ساموئل به عنوان "زمینه مطالعاتی که کامپیوتر را به یادگیری بدون صریحا برنامه ریزی شده قادر می سازد" تعریف شد. این بدان معنی است که دانش را به ماشین ها بدون آنکه برنامه سخت افزاری آن را به دست آورد، تحمیل کند. از آنچه شخصا متوجه شدم، افراد خارج از جامعه برنامه نویسی عموما معتقدند که هوش مصنوعی سخت است و به طور کامل از واقعیت این حوزه بی اطلاع هستند. یکی از بزرگترین چالش هایی که من با یادگیری ماشین داشتم فراوانی مواد و منابع در بخش یادگیری بود. شما می توانید فرمول ها، نمودار ها، معادلات و دسته ای از نظریه ها را در مورد موضوع یادگیری ماشین پیدا کنید، اما منابع کمی در قسمت "ماشین" واقعی وجود دارد، جایی که شما در واقع دستگاه را برنامه ریزی کرده و الگوریتم ها را روی داده های واقعی اجرا می کنید. این عمدتا به خاطر تاریخ آموزشی است. در دهه 50، ماشین ها کاملا ضعیف بودند و در عرضه بسیار کم، چنان که نیمی از قرن به طول انجامید. یادگیری ماشین به طور عمده به صورت نظری و به ندرت در واقع استفاده شد. به عنوان مثال، ماشین بردار پشتیبانی (SVM)، توسط ولادیمیر وپنیک در اتحاد جماهیر شوروی در سال 1963 ایجاد شد، اما عمدتا تا دهه 90 بی اهمیت ماند، زمانی که وپنیک توسط اتحاد جماهیر شوروی در ایالات متحده توسط آزمایشگاه های Bell برچیده شد. شبکه عصبی در دهه 1940 در نظر گرفته شد، اما در آن زمان کامپیوترها به اندازه کافی قدرتمند نبودند تا بتوانند آنها را به خوبی اجرا کنند.

"ایده" یادگیری ماشین چندین بار از طریق تاریخ به نمایش گذاشته شده است و هر گاه مردم فکر می کردند که این فقط یک کار احمقانه بود. واقعا تنها اخیرا ما توانسته ایم بسیاری از یادگیری ماشین را به هر آزمون مناسب تحویل دهیم. امروزه شما می توانید یک خوشه  100،000 دلار GPU را برای چند دلار در ساعت بفروشید و به رویای دانشجویان دکترا را تنها برای 10 سال قبل دست یابید. در اواسط سال 2000، یادگیری ماشین دارای شرایط دیگری شد و تا به حال از زمان این روند بکارگیری افزایش یافته است، همچنین به طور کلی از قانون بیشتر بهره مند شده است. فراتر از این، منابع زیادی وجود دارد که به شما در سفر خود با یادگیری ماشین کمک می کند، مانند این آموزش. شما فقط می توانید جستجوی گوگل را در این موضوع انجام دهید و اطلاعات بیش از اندازه و به اندازه کافی پیدا کنید تا مدتی مشغول به کار شوید.

این بسیار به نزدیک به هدف ماست که در حال حاضر داریم؛ ماژول ها و API ها در اختیار ما قرار دارند، و شما می توانید به راحتی بدون هیچ گونه دانش و اطلاعاتی در مورد چگونگی کار آنها به یادگیری ماشین بپردازید. با پیش فرض های Scikit-learn، شما می توانید دقت 90-95٪ در بسیاری از وظایف درست از مقصود را دریافت کنید. یادگیری ماشین بسیار شبیه عملکرد یک ماشین است، شما لازم نیست بدانید که چقدر کار می کند تا مقدار قابل توجهی از ابزار مورد استفاده را بدست آورد. اگر می خواهید محدودیت های عملکرد و کارایی را کاهش دهید، با این حال، شما نیاز به کنکگاش در جزئیات، که چگونه این دوره متمرکز شده است نخواهید داشت. اگر شما فقط به دنبال یک آموزش سریع برای استفاده از یادگیری ماشین در داده ها هستید، من قبلا یک مثال ساده طبقه بندی آموزشی و یک خوشه بندی ساده (یادگیری ماشین های ناخواسته) تهیه کرده ام که شما می توانید چک کنید.

علیرغم سن و بلوغ علمی یادگیری ماشین، می توان گفت که هیچ زمانی بهتر از الان برای آنکه یاد بگیرید نیست، چون می توانید از آن استفاده کنید. ماشین ها کاملا قدرتمند هستند، یکی از فرآیند هایی که در حال کار بر روی آن هستید، احتمالا اکثر سری ها را به سرعتقادر خواهید بود  انجام دهید. اطلاعات اخیر نیز بسیار زیاد است.

اولین موضوعی که پوشش می دهیم، رگرسیون است، که آن را در آموزش بعدی قرار دادیم. اطمینان حاصل کنید که Python 3 نصب شده است، همراه با Pandas و Scikit-Learn.

شما همچنین می توانید به یک توزیع قبل از کامپایل و بهینه سازی پایتون مانند ActivePython نگاه کنید، که سریع و ساده است برای دریافت تمام بسته ها و وابستگی هایی که شما برای یک علم در یک بسته نرم افزاری در یک دانلود نیاز دارید، بدون مشکل نصب آنها به صورت یک به یک...  که همه وابستگی های آنها به صورت یکجا است.

تهیه از: بهزاد سرهادی

 کلیه سرفصل های برنامه نویسی: اینجا کلیک کنید.

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

پروژه تخصصی در لینکدین

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح