آیا دوره تصادف یادگیری ماشین برای شما مناسب است؟
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:
- 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.
- اگر تازه وارد NumPy هستید، تمرین NumPy Ultraquick Tutorial Colab را انجام دهید، که تمام اطلاعات NumPy را برای این دوره ارائه می دهد.
- 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.
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
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)
forحلقه‌ها ،forحلقه‌هایی با متغیرهای تکرارکننده متعدد (مثلاًfor a, b in [(1,2), (3,4)]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:
ترمینال Bash / کنسول ابری
برای اجرای تمرین های برنامه نویسی بر روی ماشین محلی یا کنسول ابری، باید راحت در خط فرمان کار کنید: