آموزش یادگیری ماشین و پیاده سازی در پایتون Python – بخش یکم

یادگیری ماشین چیست؟ یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین‌ها توانایی یادگیری می‌دهد، بدون این که نیاز باشد این ماشین‌ها به طور صریح برنامه‌نویسی شوند. به عبارتی، یادگیری ماشین بررسی می‌کند که چگونه کامپیوترها می‌توانند بر اساس داده یاد بگیرند یا کارایی‌شان را بهبود بخشند. اهمیت یادگیری ماشین و پیاده‌سازی در پایتون (Python) چیست؟ یادگیری ماشین به دلیل کاربردهای فراوان در حوزه‌های مختلف، از جمله بازاریابی، تحلیل‌های مالی، پردازش زبان‌های طبیعی، تصویربرداری و… مورد استفاده قرار می‌گیرد. از طرفی پایتون به دلیل ساختار قابل فهم و کتابخانه‌های پرکاربردی مانند NumPy، Pandas و Scikit-learn، به یکی از پراستفاده‌ترین زبان‌های برنامه‌نویسی در حوزه یادگیری ماشین تبدیل شده است. همچنین این زبان برنامه‌نویسی جامع‌ترین کتابخانه‌های یادگیری ماشین نظیر TensorFlow، Keras و PyTorch، را دارد که به برنامه‌نویسان کمک می‌کند تا با سرعت بالایی الگوریتم‌های یادگیری ماشین را پیاده‌سازی کنند. در این فرادرس چه چیزی و چگونه یاد می‌گیریم؟ آموزش یادگیری ماشین شامل ۱۶ درس است که در دو بخش تهیه شده است. هر بخش شامل ۸ درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه‌بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می‌شوند. در بخش دوم ادامه روش‌های طبقه‌بندی: دسته‌بندی بیز، k نزدیک‌ترین همسایه و یادگیری جمعی بررسی می‌شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه‌بندی، کشف داده‌های پرت و کاوش قوانین انجمنی آموزش داده می‌شوند. در این آموزش ابتدا مطالب به صورت تئوری توضیح داده می‌شود و سپس در پایان هر درس به کمک زبان پایتون پیاده‌سازی می‌شوند، همچنین می‌توانید آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) – بخش دوم را از طریق این لینک (+) مشاهده نمایید.

فرادرس

فرشید شیرافکن