Learn Machine Learning & AI

Prabartan Information Technology

ამ აპის შესახებ

„მანქანური სწავლება და ხელოვნური ინტელექტი“ არის სტრუქტურირებული კურსი, რომელიც გადაგიყვანთ „რა არის მანქანური სწავლება“-დან თანამედროვე ხელოვნური ინტელექტის მიღმა არსებული ალგორითმების გაგებამდე, მოკლე გაკვეთილებით, რომელთა წაკითხვაც თქვენს ტელეფონზე შეგიძლიათ.

ხელოვნურ ინტელექტში წინასწარი გამოცდილება არ არის საჭირო. თუ შეგიძლიათ ალგებრის საბაზისო ცოდნა და ცოტაოდენი Python-ის ცოდნა, შეგიძლიათ გაიაროთ ეს კურსი.

რას შეისწავლით

მანქანური სწავლების საფუძვლები
რა არის მანქანური სწავლება, რით განსხვავდება ის ტრადიციული პროგრამირებისგან, მანქანური სწავლების სამუშაო პროცესი, ტრენინგისა და ტესტირების მონაცემები, ზედმეტად მორგება, არასაკმარისად მორგება, მიკერძოება და ვარიაცია და როგორ ფასდება მოდელები.

კონტროლირებადი სწავლება
წრფივი რეგრესია, ლოგისტიკური რეგრესია, გადაწყვეტილების ხეები, შემთხვევითი ტყეები, დამხმარე ვექტორული მანქანები, k უახლოესი მეზობელი და ნაივური ბეიესი, თითოეულს აქვს ინტუიცია და სად გამოიყენება სინამდვილეში.

ზედმიწევნითი სწავლება
K ნიშნავს კლასტერიზაციას, იერარქიულ კლასტერიზაციას, განზომილებების შემცირებას, მთავარი კომპონენტების ანალიზს და ანომალიების აღმოჩენას.

ღრმა სწავლება და ნეირონული ქსელები
პერცეპტრონები, აქტივაციის ფუნქციები, უკუგავრცელება, კონვოლუციური ნეირონული ქსელები სურათებისთვის, რეკურენტული ქსელები და LSTM-ები თანმიმდევრობებისთვის და შესავალი ტრანსფორმატორებისთვის.

გაძლიერებული სწავლება
აგენტები, გარემო, ჯილდოები, Q სწავლება და პოლიტიკაზე დაფუძნებული მეთოდები ახსნილია მძიმე მათემატიკის გარეშე.

ბუნებრივი ენის დამუშავება
ტოკენიზაცია, ჩანერგვა, განწყობის ანალიზი და როგორ იქმნება დიდი ენობრივი მოდელები ამ იდეებზე.

ინსტრუმენტები და ბიბლიოთეკები
სად ჯდება Python, TensorFlow, Keras, scikit learn, NumPy და Pandas რეალურ მანქანური სწავლების სამუშაო პროცესში.

გამოყენებითი მანქანური სწავლება
როგორ გამოიყენება ეს მეთოდები ჯანდაცვაში, ფინანსებში, რეკომენდაციების სისტემებში, თაღლითობის გამოვლენაში, კომპიუტერულ ხედვასა და პროგნოზირებაში.

აწყობილია ტელეფონზე სწავლისთვის

მოკლე გაკვეთილები. თითოეული თემა დაყოფილია სექციებად, რომელთა დასრულებაც რამდენიმე წუთში შეგიძლიათ, რათა შეძლოთ თქვენი დღის ხარვეზების შევსება თავისუფალი საღამოს ლოდინის ნაცვლად.

პირველ რიგში მარტივი ენა, შემდეგ მათემატიკა. ყველა ალგორითმი სიტყვებით არის ახსნილი ნებისმიერი ნოტაციის გამოჩენამდე, ასე რომ თქვენ გესმით, რას აკეთებს ის, სანამ დაინახავთ, თუ როგორ არის დაწერილი.

მოძებნეთ მთელ კურსზე, რათა მოძებნოთ ტერმინი სტატიაში ან ლექციაზე მოხვედრისთანავე.

სანიშნეები და რეზიუმე, რათა გრძელი თემა შეწყვეტის შემდეგაც კი გადარჩეს.

უწყვეტად განახლდება სფეროს განვითარებასთან ერთად.

ვისთვის არის ეს აპლიკაცია

სტუდენტები, რომლებიც გადიან მანქანური სწავლების, ხელოვნური ინტელექტის ან მონაცემთა მეცნიერების კურსს და სურთ მეორე ახსნა, როდესაც ლექცია არ გამოვიდა.

პროგრამული უზრუნველყოფის დეველოპერები, რომლებიც გადადიან მანქანური სწავლების ინჟინერიაში ან მონაცემთა მეცნიერებაში.

კანდიდატები, რომლებიც ემზადებიან მანქანური სწავლებისა და მონაცემთა მეცნიერების ინტერვიუებისთვის, სადაც კითხვები ძირითადად ფუნდამენტურ საკითხებს ეხება.

ანალიტიკოსები და პროფესიონალები, რომლებსაც უნდა გაიგონ, თუ რას აკეთებს სინამდვილეში მათ ინდუსტრიაში ხელოვნური ინტელექტის სისტემა.

ყველას, ვისაც აინტერესებს, თუ როგორ მუშაობს ხელოვნური ინტელექტი იმ პროდუქტების ქვეშ, რომლებსაც ისინი ყოველდღიურად იყენებენ.

რატომ უნდა ვისწავლოთ მანქანური სწავლება ახლავე?

მანქანური სწავლება აღარ არის სპეციალიზებული უნარი და გახდა ტექნიკური სამუშაოს საბაზისო ნაწილი. იმის გაგება, თუ როგორ ავარჯიშებენ მოდელები, რატომ ვერ ახერხებენ ისინი და რა შეუძლიათ და რა არ შეუძლიათ გააკეთონ, ახლა სასარგებლოა თითქმის ყველა ტექნიკურ როლში - და სულ უფრო მეტად არატექნიკურ როლებში.

ეს კურსი გაძლევთ ამ გაგებას ფორმატში, რომელსაც რეალურად დაასრულებთ: მოკლე გაკვეთილები, გასაგები ენა, ვიდეოს ბუფერში შენახვის გარეშე, ანგარიშის საჭიროება არ არის.

გახსენით თქვენი პირველი გაკვეთილი დღესვე.

გაქვთ კითხვები, შესწორებები ან თემა, რომლის დამატებაც გსურთ? მოგვწერეთ ელ. ფოსტაზე [e-mail] — ჩვენ ვაახლებთ აპლიკაციას მოსწავლეების მოთხოვნების მიხედვით.