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.

یادگیری ماشین پیشرفته

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 بگینگ، بوستینگ، و جنگل تصادفی.
  • تمرین عملی: پیاده‌سازی رگرسیون خطی و لجستیک با استفاده از روش‌های شخصی‌سازی‌شده در اسکیکیت-لرن.
• 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.
  • یادگیری Q (Q-learning): توازن بین اکتشاف و بهره‌برداری (Exploration vs. Exploitation).
• مفاهیم پیشرفته
  • روش‌های گرادیان سیاست (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 گرادیان سیاست.