كورسات تعلم الآلة من جامعة ستانفورد علي منصة كورسيرا Coursera Stanford University Machine Learning Courses

التعلم الآلي هو علم الحصول على أجهزة الكمبيوتر للعمل دون برمجتها في العقد الماضي، أعطانا التعلم الآلي سيارات ذاتية القيادة، والتعرف العملي على الكلام، والبحث الفعال على شبكة الإنترنت، وفهم أفضل بكثير للجينوم البشري .

التعلم الآلي منتشر اليوم لدرجة أنك ربما تستخدمه عشرات المرات في اليوم دون معرفة ذلك.ويعتقد العديد من الباحثين أيضا أنها أفضل طريقة لإحراز تقدم نحو الذكاء الاصطناعي على المستوى البشري.

في هذا الصف، سوف تتعلم عن تقنيات التعلم الآلي الأكثر فعالية، واكتساب الممارسة تنفيذها وحملهم على العمل لنفسك.

والأهم من ذلك، سوف تتعلم ليس فقط عن الأسس النظرية للتعلم، ولكن أيضا الحصول على الدراية العملية اللازمة لتطبيق هذه التقنيات بسرعة وقوة لمشاكل جديدة.

وأخيرا، ستتعرف على بعض أفضل الممارسات في مجال الابتكار في وادي السيليكون من حيث صلتها بالتعلم الآلي الذكاء الاصطناعي.

قدم هذه الدورة مقدمة واسعة للتعلم الآلي، والبيانات، والتعرف على الأنماط الإحصائية. وتشمل المواضيع ما يلي:

1. التعلم تحت الإشراف (خوارزميات بارامترية/غير بارامترية، وآلات دعم النواقل، والنواة، والشبكات العصبية).
2.  التعلم غير الخاضع للرقابة (التجميع، والحد من الأبعاد، ونظم التوصية، والتعلم العميق).
3. أفضل الممارسات في مجال التعلم الآلي (نظرية التحيز/التباين؛ وعملية الابتكار في التعلم الآلي الذكاء الاصطناعي).

كما ستستمد الدورة من العديد من دراسات الحالة والتطبيقات، بحيث تتعلم أيضا كيفية تطبيق خوارزميات التعلم على بناء الروبوتات الذكية (الإدراك والتحكم) وفهم النص (البحث على الويب ومكافحة البريد المزعج) ورؤية الكمبيوتر والمعلوماتية الطبية والصوت وتعدين قواعد البيانات وغيرها من المجالات.

مدة الدراسة 11 اسبوع يقارب 61 ساعة لاكمال الكورس وحصولك علي شهادة

مواعيد التسجيل في الكورس سلسة ولينة تستطيع تحديد التوقيت المناسب معك .

الدراسة عبر شبكة الانترنت (اونلاين) 100٪ 

ستتعلم من هذه الدورة الشبكة العصبية الاصطناعية – خوارزميات التعلم الآلي (ML)

الانحدار اللوجستي – التعلم الآلي 

ابدأ على الفورم وتعلم في الجدول الزمني الخاص بك.

المهارات التي سو ف تكسب

• الانحدار اللوجستي
• الشبكة العصبية الاصطناعية
• خوارزميات التعلم الآلي (ML)
• التعلم الآلي

مدة الدراسة 11 اسبوع 

• الاسبوع الاول 

 مقدمة في التعلم الالي لمدة ساعتين نقدم الفكرة الأساسية لتعليم الكمبيوتر لتعلم المفاهيم باستخدام البيانات – دون أن تتم برمجتها بشكل صريح.

الانحدار الخطي مع متغير واحد لمدة ساعتين يتوقع الانحدار الخطي إخراجا بالقيمة الحقيقية استنادا إلى قيمة إدخال. نناقش تطبيق الانحدار الخطي على التنبؤ بأسعار المساكن ، ونقدم فكرة وظيفة التكلفة ، ونقدم طريقة الانحدار التدريجي للتعلم.

استعراض الجبر الخطي لمدة ساعتين توفر هذه الوحدة الاختيارية تحديثا لمفاهيم الجبر الخطي. الفهم الأساسي للجبر الخطي ضروري لبقية الدورة ، خاصة ونحن نبدأ في تغطية النماذج بمتغيرات متعددة.

• الاسبوع الثاني 

الانحدار الخطي مع متغيرات متعددة لمدة ثلاث ساعات ماذا لو كان الإدخال الخاص بك يحتوي على أكثر من قيمة واحدة؟ في هذه الوحدة، نعرض كيف يمكن توسيع الانحدار الخطي لاستيعاب ميزات الإدخال المتعددة. كما نناقش أفضل الممارسات لتنفيذ الانحدار الخطي.

أوكتاف / ماتلاب البرنامج التعليمي لمدة خمس ساعات يتضمن هذا المساق تعيينات برمجة مصممة لمساعدتك على فهم كيفية تنفيذ خوارزميات التعلم في الممارسة العملية. لإكمال تعيينات البرمجة، ستحتاج إلى استخدام أوكتاف أو MATLAB. تقدم هذه الوحدة أوكتاف/ماتلاب وتوضح لك كيفية إرسال مهمة.

• الاسبوع الثالث 

الانحدار اللوجستي لمدة ساعتين الانحدار اللوجستي هو طريقة لتصنيف البيانات إلى نتائج منفصلة. على سبيل المثال، قد نستخدم الانحدار اللوجستي لتصنيف البريد الإلكتروني كرسائل غير مرغوب فيها أو غير مرغوب فيها. في هذه الوحدة، نقدم مفهوم التصنيف، ووظيفة التكلفة للتراجع اللوجستي، وتطبيق الانحدار اللوجستي لتصنيف متعدد الفئات.

تنظيم لمدة خمس ساعات تحتاج نماذج التعلم الآلي إلى التعميم بشكل جيد على الأمثلة الجديدة التي لم يرها النموذج في الممارسة العملية. في هذه الوحدة، نقدم عملية تنظيم، مما يساعد على منع النماذج من الإفراط في تجهيز بيانات التدريب.

• الاسبوع الرابع

الشبكات العصبية: التمثيل لمدة خمس ساعات الشبكات العصبية هو نموذج مستوحى من كيفية عمل الدماغ. ويستخدم على نطاق واسع اليوم في العديد من التطبيقات: عندما يفسر هاتفك ويفهم الأوامر الصوتية الخاصة بك، فمن المرجح أن شبكة العصبية تساعد على فهم الكلام الخاص بك. عند صرف شيك، تستخدم الآلات التي تقرأ الأرقام تلقائيا أيضا الشبكات العصبية.

• الاسبوع الخامس

الشبكات العصبية: التعلم لمدة خمس ساعات في هذه الوحدة، نقدم خوارزمية التكثير الخلفي التي تستخدم للمساعدة في تعلم المعلمات لشبكة عصبية. في نهاية هذه الوحدة، سوف تقوم بتنفيذ الشبكة العصبية الخاصة بك للتعرف على الأرقام.

• الاسبوع السادس

نصيحة لتطبيق التعلم الآلي خمس ساعات تطبيق التعلم الآلي في الممارسة العملية ليست دائما واضحة. في هذه الوحدة، نشارك أفضل الممارسات لتطبيق التعلم الآلي في الممارسة العملية، ونناقش أفضل الطرق لتقييم أداء النماذج المستفادة.

تصميم نظام التعلم الآلي لمدة ساعتين لتحسين خوارزمية التعلم الآلي، ستحتاج أولا إلى فهم المكان الذي يمكن إجراء أكبر التحسينات فيه. في هذه الوحدة، نناقش كيفية فهم أداء نظام التعلم الآلي مع أجزاء متعددة، وأيضا كيفية التعامل مع البيانات المنحرفة.

• الاسبوع السابع 

دعم ناقلات الآلات لمدة خمس ساعات دعم ناقلات الآلات ، أو SVMs ، هو خوارزمية التعلم الآلي للتصنيف. نحن نقدم الفكرة والحدس وراء SVMs ومناقشة كيفية استخدامها في الممارسة العملية.

• الاسبوع الثامن 

التعلم غير الخاضع للرقابة لمدة ساعة نحن نستخدم التعلم غير الخاضع للرقابة لبناء نماذج تساعدنا على فهم بياناتنا بشكل أفضل. نناقش خوارزمية K-Means للتكتل التي تمكننا من تعلم مجموعات من نقاط البيانات غير الم عنها.

التعلم غير الخاضع للرقابة لمدة خمس ساعات نحن نستخدم التعلم غير الخاضع للرقابة لبناء نماذج تساعدنا على فهم بياناتنا بشكل أفضل. نناقش خوارزمية K-Means للتكتل التي تمكننا من تعلم مجموعات من نقاط البيانات غير الم عنها.

• الاسبوع التاسع 

الكشف عن الشذوذ لمدة ساعتين ونظرا لعدد كبير من نقاط البيانات، قد نرغب أحيانا في معرفة النقاط التي تختلف اختلافا كبيرا عن المتوسط. على سبيل المثال، في التصنيع، قد نرغب في الكشف عن العيوب أو الحالات الشاذة. نعرض كيف يمكن تصميم مجموعة بيانات باستخدام توزيع غاوسي، وكيف يمكن استخدام النموذج للكشف عن الشذوذ.

نظم الموصى بها لمدة خمس ساعات عند شراء منتج عبر الإنترنت، توصي معظم مواقع الويب تلقائيا بمنتجات أخرى قد تعجبك. أنظمة التوصية نظرة على أنماط الأنشطة بين مختلف المستخدمين والمنتجات المختلفة لإنتاج هذه التوصيات. في هذه الوحدة النمطية، نقدم خوارزميات التوصية مثل خوارزمية التصفية التعاونية والعوملة المصفوفة منخفضة الرتبة.

• الاسبوع العاشر

التعلم الآلي على نطاق واسع لمدة ساعتين التعلم الآلي يعمل بشكل أفضل عندما يكون هناك وفرة من البيانات للاستفادة من التدريب. في هذه الوحدة، نناقش كيفية تطبيق خوارزميات التعلم الآلي مع مجموعات البيانات الكبيرة.

• الاسبوع الحادي عشر

مثال التطبيق: الصورة OCR لمدة ساعتين تحديد والتعرف على الكائنات والكلمات والأرقام في صورة مهمة صعبة. نناقش كيف يمكن بناء خط أنابيب لمعالجة هذه المشكلة وكيفية تحليل وتحسين أداء مثل هذا النظام.