کورس توسعه یادگیری ماشین (پیشرفته) یکی از اجزای کلیدی نقشه راه مهندسی هوش مصنوعی است که به منظور تجهیز فراگیران به دانش نظری و مهارتهای عملی برای توسعه، بهینهسازی و استقرار راهحلهای یادگیری ماشین طراحی شده است. این دوره بر مبنای مفاهیم برنامهنویسی، معماری نرمافزار، و ریاضیات که در دورههای قبلی ارائه شدهاند، تمرکز دارد و بر مقیاسپذیری، قابلیت نگهداری و کاربرد در دنیای واقعی تأکید میکند. شرکتکنندگان در این دوره با الگوریتمهای پیشرفته در یادگیری نظارتشده، بدون نظارت و تقویتی آشنا شده و مهارتهای عملی در زمینه تنظیم ابرپارامترها، ارزیابی مدلها و پیادهسازی الگوریتمها را توسعه میدهند.
در پایان این دوره، شرکتکنندگان مهارتهای اساسی و ابزارهای مورد نیاز برای توسعه مدلهای یادگیری ماشین در محیطهای پویا را به دست خواهند آورد. این دوره همچنین مهارتهای مهمی مانند استفاده از سیستمعامل لینوکس، گیتهاب و کنترل نسخه دادهها (DVC) را برای مدیریت بهتر چرخه عمر پروژههای یادگیری ماشین در بر میگیرد. فارغالتحصیلان این دوره آماده خواهند بود تا چالشهای پیچیده صنعت هوش مصنوعی را از مرحله مفاهیم نظری تا استقرار سیستمهای یادگیری ماشین قوی و کارآمد بر عهده بگیرند.چرا به توسعه یادگیری ماشین پیشرفته نیاز داریم؟
محتوای دوره:
کورس یادگیری ماشین پیشرفته بر اساس دو کورس مقدماتی "مهارتهای نرمافزاری" و "ریاضیات برای هوش مصنوعی" طراحی شده است. در این کورس، مباحث پیشرفته یادگیری ماشین به صورت عملی و در محیطهای واقعی مانند لینوکس و گیتهاب آموزش داده میشوند. همچنین، ابزارهایی مانند کنترل نسخه دادهها (Data Version Control) معرفی خواهند شد تا شرکتکنندگان بتوانند مدلهای خود را به شکلی توسعهپذیر و آماده برای استقرار در محیط عملیاتی پیادهسازی کنند.
مبانی یادگیری ماشین
- مروری بر کاربردهای یادگیری ماشین
- تاریخچه، کاربردهای واقعی، و روندهای آینده در یادگیری ماشین.
- روشهای انتخاب الگوریتمهای مناسب یادگیری ماشین بر اساس انواع داده و مسائل مختلف.
- انواع سیستمهای یادگیری ماشین
- یادگیری نظارتشده: رگرسیون و طبقهبندی، توابع هزینه، و مفاهیم تقسیم دادههای آموزشی، اعتبارسنجی و تست، و درک بیشبرازش (Overfitting).
- یادگیری بدون نظارت: خوشهبندی و تکنیکهای کاهش ابعاد.
- یادگیری تقویتی: مروری بر سیستمهای RL، مکانیسمهای پاداشدهی، و تعامل عامل-محیط.
یادگیری نظارتشده
- پایههای ریاضی الگوریتمهای اصلی
- رگرسیون خطی و لجستیک: مفهوم تابع هزینه و مبانی ریاضی.
- ماشینهای بردار پشتیبانی (SVM): بیشینهسازی حاشیه و مفهوم کرنل.
- روشهای جمعسپاری (Ensemble): الگوریتمهای Bagging، Boosting، و جنگل تصادفی.
- تمرین عملی: پیادهسازی رگرسیون خطی و لجستیک با استفاده از روشهای شخصیسازیشده در Sklearn.
- تنظیم ابرپارامترها و ارزیابی مدلها
- تکنیکهای بهینهسازی ابرپارامترها: جستجوی شبکهای (Grid Search)، جستجوی تصادفی (Random Search)، و بهینهسازی بیزی.
- استراتژیهای اعتبارسنجی متقابل و ارزیابی استحکام مدل.
- تمرین عملی: مقایسه عملکرد مدلها با استفاده از معیارهای ارزیابی و فریمورکهای اعتبارسنجی سفارشی.
یادگیری بدون نظارت
- پایههای خوشهبندی و کاهش ابعاد
- الگوریتمهای k-means، خوشهبندی سلسلهمراتبی، و مدلهای ترکیب گوسی (GMM).
- خوشهبندی طیفی (Spectral Clustering) و کاهش ابعاد پیشرفته با استفاده از t-SNE.
- تمرین عملی: پیادهسازی الگوریتم k-means از پایه و نمایش خوشهها.
یادگیری تقویتی
- مبانی
- معادلات بلمن، برنامهریزی پویا (Dynamic Programming)، و روشهای مونتکارلو.
- Q-learning : توازن بین اکتشاف و بهرهبرداری (Exploration vs. Exploitation).
- مفاهیم پیشرفته
- روشهای گراد Policy Gradient و چارچوبهای عامل-منتقد (Actor-Critic).
- تمرین عملی: پیادهسازی یک عامل (Agent) در محیط Grid-World با استفاده از الگوریتمهای Q-learning و Policy Gradient.