پیش نیازها و پیش کار

آیا دوره تصادف یادگیری ماشین برای شما مناسب است؟

من سابقه یادگیری ماشینی کم یا اصلا ندارم.

توصیه می کنیم تمام مطالب را به ترتیب مرور کنید.

شروع به یادگیری کنید

من پیشینه ای در یادگیری ماشین دارم، اما می خواهم درک فعلی و کامل تر داشته باشم.

دوره آموزشی تصادفی یادگیری ماشین یک تجدید کننده عالی خواهد بود. همه ماژول ها را به ترتیب مرور کنید، یا فقط آن ماژول هایی را انتخاب کنید که مورد علاقه شما هستند.

شروع به یادگیری کنید

من تجربه عملی در استفاده از مفاهیم یادگیری ماشین برای کار با داده ها و ساخت مدل ها دارم.

در حالی که ممکن است دوره آموزشی تصادفی یادگیری ماشین برای شما به عنوان تجدید کننده مفاهیم اساسی یادگیری ماشین مفید باشد، ممکن است بخواهید برخی از دوره های پیشرفته یادگیری ماشین ما را که ابزارها و تکنیک هایی برای حل مشکلات یادگیری ماشین در حوزه های مختلف را پوشش می دهد، بررسی کنید.

شروع به یادگیری کنید

من به دنبال آموزش نحوه استفاده از API های ML مانند Keras هستم.

در حالی که دوره Crash Learning Machine شامل چندین تمرین برنامه نویسی است که از کتابخانه های ML مانند numpy، pandas و Keras استفاده می کند، در درجه اول بر آموزش مفاهیم ML متمرکز است و API های ML را به طور عمیق آموزش نمی دهد. برای منابع اضافی Keras، به راهنمای برنامه‌نویس Keras مراجعه کنید.

لطفاً قبل از شروع دوره Crash Learning Machine، بخش‌های پیش‌کار و پیش نیازهای زیر را بخوانید تا مطمئن شوید که برای تکمیل همه ماژول‌ها آماده هستید.

پیش کار

قبل از شروع دوره Crash Learning Machine، موارد زیر را انجام دهید:

1. اگر در یادگیری ماشینی تازه کار هستید، مقدمه ای بر یادگیری ماشینی را انتخاب کنید. این دوره کوتاه خودآموز مفاهیم اساسی یادگیری ماشین را معرفی می کند.
2. اگر تازه وارد NumPy هستید، تمرین NumPy Ultraquick Tutorial Colab را انجام دهید، که تمام اطلاعات NumPy را برای این دوره ارائه می دهد.
3. اگر با پانداها تازه کار هستید، تمرین کولب آموزش UltraQuick Pandas را انجام دهید، که تمام اطلاعات پانداهایی را که برای این دوره نیاز دارید ارائه می دهد.

برای دستورالعمل‌هایی درباره نحوه دانلود، نصب و اجرای تمرین‌های برنامه‌نویسی روی دستگاه خود، به اجرای تمرین‌های برنامه‌نویسی محلی مراجعه کنید.

پیش نیازها

دوره تصادف یادگیری ماشینی هیچ دانش قبلی در یادگیری ماشین را فرض نمی‌کند یا نیازی به آن ندارد. با این حال، برای درک مفاهیم ارائه شده و تکمیل تمرین ها، توصیه می کنیم که دانش آموزان پیش نیازهای زیر را داشته باشند:

• شما باید با متغیرها، معادلات خطی، نمودارهای توابع، هیستوگرام ها و میانگین های آماری راحت باشید.

• باید برنامه نویس خوبی باشی در حالت ایده آل، شما باید تجربه برنامه نویسی در پایتون داشته باشید زیرا تمرین های برنامه نویسی در پایتون هستند. با این حال، برنامه نویسان با تجربه بدون تجربه پایتون معمولاً می توانند تمرین های برنامه نویسی را به هر حال تکمیل کنند.

بخش‌های زیر پیوندهایی به مطالب پس‌زمینه اضافی ارائه می‌دهند که مفید هستند.

جبر

• متغیرها ، ضرایب و توابع
• معادلات خطی مانند \(y = b + w_1x_1 + w_2x_2\)
• لگاریتم ها و معادلات لگاریتمی مانند \(y = ln(1+ e^z)\)
• تابع سیگموئید

جبر خطی

• تانسور و رتبه تانسور
• ضرب ماتریس

مثلثات

• tanh (به عنوان یک تابع فعال سازی بحث می شود؛ بدون نیاز به دانش قبلی)

آمار

• میانگین، میانه، نقاط پرت و انحراف معیار
• توانایی خواندن هیستوگرام

حساب دیفرانسیل و انتگرال ( اختیاری، برای موضوعات پیشرفته )

• مفهوم مشتق (شما مجبور نیستید در واقع مشتقات را محاسبه کنید)
• شیب یا شیب
• مشتقات جزئی (که ارتباط نزدیکی با گرادیان دارند)
• قانون زنجیره ای (برای درک کامل از الگوریتم پس انتشار برای آموزش شبکه های عصبی)

برنامه نویسی پایتون

اصول اولیه پایتون زیر در آموزش پایتون پوشش داده شده است:

• تعریف و فراخوانی توابع با استفاده از پارامترهای موقعیتی و کلیدواژه

• لغت نامه ها ، فهرست ها ، مجموعه ها (ایجاد، دسترسی، و تکرار)

• for حلقه‌ها ، for حلقه‌هایی با متغیرهای تکرارکننده متعدد (مثلاً for a, b in [(1,2), (3,4)] )

• بلوک های شرطی if/else و عبارات شرطی

• قالب بندی رشته (به عنوان مثال، '%.2f' % 3.14 )

• متغیرها، انتساب، انواع داده های پایه ( int ، float ، bool ، str )

تعدادی از تمرین‌های برنامه‌نویسی از مفهوم پیشرفته‌تر پایتون زیر استفاده می‌کنند:

• فهرست درک

ترمینال Bash و کنسول Cloud

برای اجرای تمرین های برنامه نویسی بر روی ماشین محلی یا کنسول ابری، باید راحت در خط فرمان کار کنید:

• راهنمای مرجع Bash
• چیت شیت باش
• Shell را یاد بگیرید