إنشاء تطبيقات ذكية. أتقن ملخص التعلم الآلي في أربع دورات تدريبية عملية.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
يقدم لك هذا التدريب الذي أجراه باحثون بارزون من جامعة واشنطن مجال التعلم الآلي المثير والمرتفع الطلب. من خلال سلسلة من الحالات العملية، ستكتسب خبرة عملية في المجالات الرئيسية للتعلم الآلي، بما في ذلك:
سوف تتعلم كيفية تحليل أنظمة البيانات الكبيرة والمعقدة، وإنشاء أنظمة تتكيف وتتحسن بمرور الوقت، وبناء تطبيقات ذكية يمكنها إجراء تنبؤات من البيانات.
سيقوم المتعلمون بتنفيذ وتنفيذ خوارزميات التنبؤ بالتعلم الآلي والتصنيف والتجميع واسترجاع المعلومات على مجموعات بيانات حقيقية في كل دورة في التخصص. لقد غادروا مع خبرة عملية في التعلم الآلي وبرمجة بايثون.
في هذه الدورة، ستختبر التعلم الآلي من خلال سلسلة من الحالات العملية. في نهاية الدورة التدريبية الأولى، ستتعلم التنبؤ بأسعار الشقق بناءً على ميزات الشقة، وتحليل المشاعر من تعليقات المستخدمين، واسترجاع المستندات ذات الصلة، والتوصية بالمنتجات، والبحث عن الصور. ومن خلال التدريب العملي في هذه الحالات، ستتمكن من تطبيق أساليب التعلم الآلي في مجموعة واسعة من المجالات.
تتعامل هذه الدورة مع منهجية التعلم الآلي كصندوق أسود. باستخدام هذا التجريد، سوف تركز على فهم المهام ذات الصلة، وتكييف هذه المهام مع أدوات التعلم الآلي وتقييم جودة المنتج. في الدورات التالية سوف تستكشف مكونات هذا الصندوق الأسود من خلال دراسة النماذج والخوارزميات. تشكل هذه المكونات معًا خط أنابيب التعلم الآلي، والذي ستحشده لتطوير التطبيقات الذكية.
في حالة الاختبار الأولى لدينا، التنبؤ بأسعار الشقق، ستقوم بإنشاء نماذج تتنبأ بقيمة مستمرة (السعر) من خلال سمات الإدخال (المساحة، عدد الغرف والحمامات،…). هذا مجرد واحد من الأمثلة العديدة التي يمكن فيها تطبيق الترطيب. تتراوح التطبيقات الأخرى من التنبؤ بالنتائج الصحية في الطب، وأسعار الأسهم في التمويل إلى تحليل التأثيرات على التعبير الجيني.
ستستكشف في هذه الدورة نماذج الترطيب الخطية المنتظمة لمهام التنبؤ واختيار الميزات. ستكون قادرًا على التعامل مع مجموعات كبيرة جدًا من الميزات والاختيار بين النماذج ذات مستويات مختلفة من التعقيد. ستقوم أيضًا بتحليل تأثير الجوانب المختلفة لبياناتك – مثل القيم المتطرفة – على النماذج والتنبؤات التي اخترتها. لملاءمة هذه النماذج، ستطبق خوارزميات التحسين التي يمكن أن تناسب مجموعات البيانات الكبيرة.
في حالة اختبار تحليل المشاعر لدينا، ستقوم بإنشاء نماذج تتنبأ بالفئة (المشاعر الإيجابية/السلبية) من ميزات الإدخال (مراجعة المحتوى، معلومات الملف الشخصي للمستخدم،…). في حالة الاختبار الثانية لهذه الدورة، التنبؤ بسداد القروض، ستتعامل مع البيانات المالية ومعرفة متى قد يكون القرض محفوفًا بالمخاطر أو آمنًا للبنك. تعد هذه المهام أمثلة على التصنيف، وهو أحد المجالات الأكثر استخدامًا في التعلم الآلي، مع مجموعة واسعة من التطبيقات، بما في ذلك استهداف الإعلانات، واكتشاف البريد العشوائي، والتشخيص الطبي، وتصنيف الصور.
ستقوم في هذه الدورة بإنشاء مصنفات توفر أداءً متميزًا في مجموعة متنوعة من المهام. سوف تتعرف على التقنيات الأكثر نجاحًا والأكثر استخدامًا في هذا المجال، بما في ذلك الترطيب اللوجستي وأشجار القرار والارتداد. بالإضافة إلى ذلك، ستقوم بتصميم وتنفيذ الخوارزميات الأساسية التي يمكنها تعلم هذه النماذج على نطاق واسع، باستخدام صعود التدرج العشوائي. قم بتطبيق هذه التقنيات على مهام التعلم الآلي الحقيقية وواسعة النطاق. ستتعامل أيضًا مع المهام المهمة التي ستواجهها في تطبيقات تعلم الآلة في العالم الحقيقي، بما في ذلك التعامل مع البيانات المفقودة وقياس الدقة والاسترجاع لتقييم المصنف. هذه الدورة التدريبية عملية ومليئة بالأنشطة وتتضمن عمليات محاكاة ورسوم توضيحية لكيفية تصرف هذه التقنيات على البيانات الحقيقية. لقد قمنا أيضًا بتضمين محتوى اختياري في كل وحدة، يغطي موضوعات متقدمة لأولئك المهتمين بالتعمق أكثر!
يكون القارئ مهتمًا بمقالة إخبارية معينة وتريد العثور على مقالات مماثلة للتوصية بها. ما هو المفهوم الصحيح للخيال؟ علاوة على ذلك، ماذا لو كان هناك ملايين الوثائق الأخرى؟ في كل مرة تريد استرداد مستند جديد، هل سيتعين عليك البحث في جميع المستندات الأخرى؟ كيف يمكنك تجميع المستندات المتشابهة معًا؟ كيف يمكنك اكتشاف المواضيع الجديدة والناشئة التي تتناولها الأوراق؟
في حالة الاختبار الثالثة هذه، عند العثور على مستندات مماثلة، يتم فحص خوارزميات T على أساس التشابه للاسترجاع. في هذه الدورة التدريبية، ستقوم أيضًا بفحص التمثيلات المنظمة لوصف المستندات الموجودة في المجموعة، بما في ذلك نماذج التجميع والعضوية المختلطة، مثل تخصيص Dirichlet الخفي (LDA). سوف تقوم بتطبيق التحسين المتوقع (EM) للتعرف على مجموعات المستندات، وسيكون لديك مثال لتوسيع الطرق باستخدام MapReduce.
