منهج دورة تعلم الآلة: أفضل دورة تعلم الآلة والذكاء الاصطناعي لتحسين المهارات

تعد دورة دبلومة PG من upGrad واحدة من أكثر الدورات شمولاً. يغطي جميع المعارف المتعلقة بالمهارات والمفاهيم والأدوات المطلوبة في الصناعة حاليًا.

تم تصميم المنهج الدراسي ليجعلك جاهزًا للصناعة وتفوق المقابلات بسهولة.

دعنا ننتقل إلى المنهج الدراسي الكامل للحصول على تفاصيل متعمقة لتغطية "برنامج PG التنفيذي في التعلم الآلي والذكاء الاصطناعي".

تنقسم الدورة إلى 8 أجزاء رئيسية:

1. مجموعة أدوات علوم البيانات
2. الإحصاء وتحليلات البيانات الاستكشافية
3. تعلم الآلة -1
4. تعلم الآلة -2
5. معالجة اللغة الطبيعية
6. تعلم عميق
7. تعزيز التعلم
8. مشروع النشر و Capstone

مجموعة أدوات علوم البيانات

هذا الجزء عبارة عن دورة تمهيدية أساسية لبدء رحلة علوم البيانات والتعلم الآلي. المتطلبات الرئيسية هي Python و SQL و Excel أيضًا إلى حد ما.

ينقسم هذا الجزء إلى 6 وحدات:

مقدمة إلى Python: تغطي هذه الوحدة موضوعات Python الأساسية بافتراض عدم وجود معرفة مسبقة. يتم تناول فهم بنية Python ، وهياكل البيانات مثل القوائم ، و tuples ، والقواميس ، وما إلى ذلك.

Python for Data Science: أهم مكتبات 2 في Python - NumPy و Pandas مغطاة بعمق. NumPy و Pandas ضروريان لتحليل البيانات وتنظيفها ومعظم أعمال علوم البيانات الأساسية.

الرياضيات لتعلم الآلة: يتم تناول الجبر الخطي والمصفوفات وحساب التفاضل والتكامل متعدد المتغيرات والمتجهات في هذه الوحدة. هذه الموضوعات هي شرط مسبق لفهم كيفية عمل خوارزميات ML.

تصور البيانات في Python: تغطي هذه الوحدة ديناميكيات رسم الرسوم البيانية والاتجاهات باستخدام Python.

• تحليل البيانات باستخدام SQL: SQL هي جوهر تحليل البيانات والهندسة. تغطي هذه الوحدة أساسيات SQL مثل الوظائف والجمل والاستعلامات والصلات.

1. لغة SQL المتقدمة: تغطي هذه الوحدة موضوعات أكثر تقدمًا مثل تصميم قاعدة البيانات ووظائف النافذة وتحسين الاستعلام وما إلى ذلك.

الإحصاء وتحليلات البيانات الاستكشافية

الإحصائيات والبيانات متلازمان. يدير معظم تحليل البيانات التحليل الإحصائي تحت غطاء المحرك والذي يمكن استكشافه بعد ذلك للحصول على نتائج مهمة.

يغطي هذا الجزء أقل من 6 وحدات:

1. حل مشكلات التحليلات: تغطي هذه الوحدة إطار عمل CRISP-DM للحصول على نظرة عامة على مشروع التعلم الآلي الذي يمتد من فهم الأعمال إلى النشر.
2. مهمة الاستثمار: مهمة تحليلات البيانات كموظف في شركة مصرفية استثمارية.
3. الإحصاء الاستنتاجي: تغطي هذه الوحدة المفاهيم الإحصائية الأكثر أهمية مثل الاحتمالية والتوزيعات الاحتمالية ونظرية الحد المركزية.
4. اختبار الفرضيات: يتم تناول ماذا ولماذا وكيف يتم اختبار الفرضيات في هذه الوحدة. P-Value ، أنواع مختلفة من الاختبارات والتنفيذ في بايثون.
5. تحليل البيانات الاستكشافية: EDA تبرز المعلومات من البيانات. تغطي هذه الوحدة تنظيف البيانات والتحليل أحادي المتغير / ثنائي المتغير والمقاييس المشتقة لـ ML.
6. مشروع جماعي: دراسة حالة نادي الإقراض لمعرفة العملاء المعرضين لخطر التخلف عن سداد القروض.

تعلم شهادة التعلم الآلي من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.

تعلم الآلة -1

يغطي هذا الجزء أساسيات التعلم الآلي وبعض الخوارزميات. من الضروري أن يكون لديك معرفة شاملة بها قبل الغوص في مواضيع أكثر تقدمًا.

يتكون من 5 وحدات:

1. الانحدار الخطي: تغطي هذه الوحدة أساسيات الانحدار الخطي وافتراضاته وقيوده وتطبيقات الصناعة.
2. تقييم الانحدار الخطي: مهمة التنبؤ بسعر السيارة.
3. الانحدار اللوجستي: الانحدار اللوجستي أحادي المتغير ومتعدد المتغيرات لتصنيف ML. يتم تناول التنفيذ في Python ومقاييس التقييم وتطبيقات الصناعة.
4. Naive Bayes: واحدة من أسهل خوارزميات التصنيف وأكثرها فعالية. تغطي هذه الوحدة أساسيات نظرية Bayes ومصنف Naive Bayes والتنفيذ في مصنف Spam-Ham.
5. اختيار النموذج: تغطي هذه الوحدة اختيار النموذج ومقايضة التباين والتحيز وضبط المعلمات الفائقة والتحقق المتبادل والتي تعد ضرورية لوضع اللمسات الأخيرة على أفضل نموذج ML.

تعلم الآلة -2

يغطي هذا الجزء موضوعات أكثر تقدمًا في التعلم الآلي. يتكون من أنواع مختلفة من الخوارزميات الخاضعة للإشراف وغير الخاضعة للإشراف.

الوحدات الثماني المشمولة هي:

1. الانحدار المتقدم: تقدم هذه الوحدة تقنيات الانحدار الخطي المعمم وتقنيات الانحدار المنتظم مثل Ridge و Lasso.
2. دعم آلة المتجهات (اختياري): تغطي هذه الوحدة خوارزمية SVM وعملها ونواةها وتنفيذها.
3. نماذج الأشجار: نغطي هنا أساسيات نماذج الأشجار ، وهيكلها ، وتقنيات التقليم ، والتقليم والمجموعات لتشكيل غابات عشوائية.
4. اعتبارات عملية لاختيار النموذج: توفر هذه الوحدة تدريبًا عمليًا على استخدام تقنيات اختيار النموذج لاختيار أفضل نموذج.
5. التعزيز: ما المقصود بضعف المتعلمين ومتعلمي السلسلة ، وكيف يمكن ضمهم معًا لتشكيل نموذج رائع. يتم تغطية تقنيات التعزيز المختلفة هنا.
6. التعلم العنقودي غير الخاضع للإشراف: تقدم هذه الوحدة التجميعات وأنواعها وتنفيذها من البداية.
7. تحليل مكونات التعلم - الأساسي غير الخاضع للإشراف: يغطي هذا أساسيات PCA وعمله وتنفيذه في Python.
8. دراسة حالة تذبذب الاتصالات: دراسة حالة للتنبؤ بضخامة العملاء لمشغل اتصالات.

معالجة اللغة الطبيعية

تعد معالجة اللغة الطبيعية (NLP) في حد ذاتها مجالًا ضخمًا. في هذا الجزء من البرمجة اللغوية العصبية ، تتم تغطية جميع اللبنات الأساسية لمعالجة البيانات النصية جنبًا إلى جنب مع روبوتات المحادثة.

الوحدات الخمسة المتضمنة هي:

1. المعالجة المعجمية: تغطي هذه الوحدة أساسيات البرمجة اللغوية العصبية مثل ترميز النص والتعبيرات العادية وتقنيات معالجة النصوص والتقنيات المعجمية المتقدمة مثل التجزئة الصوتية.
2. المعالجة النحوية: تغطي هذه الوحدة أساسيات المعالجة النحوية وأنواع مختلفة من تحليل النص واستخراج المعلومات والحقول العشوائية الشرطية.
3. التعيين النحوي: تنفيذ المعالجة النحوية لفهم البنية النحوية للنص.
4. المعالجة الدلالية: تقدم هذه الوحدة المعالجة الدلالية ، وناقلات الكلمات ، وحفلات الزفاف ، وتقنيات نمذجة الموضوع تليها دراسة حالة.
5. بناء روبوتات الدردشة باستخدام Rasa: تغطي هذه الوحدة أهم أداة لتطوير روبوتات المحادثة جنبًا إلى جنب مع التنفيذ.

تعلم عميق

يستخدم التعلم العميق على نطاق واسع في الصناعة في العديد من التطبيقات المتطورة لأنواع مختلفة من البيانات. في هذا الجزء ، يتم تغطية جميع أنواع الشبكات العصبية جنبًا إلى جنب مع التنفيذ.

الوحدات الخمس المشمولة هي:

1. مقدمة عن الشبكات العصبية: تغطي هذه الوحدة أساسيات الشبكات العصبية ووظائف التنشيط وشبكة Feed Forward.
2. تطبيقات صناعة الشبكة العصبية التلافيفية: تغطي هذه الوحدة بالتفصيل شبكة CNN وهيكلها وطبقاتها وعملها. كما يغطي مختلف نماذج نقل التعلم ، ونقل النمط والمعالجة المسبقة لبيانات الصورة متبوعة بدراسة حالة.
3. احالة الشبكات العصبية: دراسة حالة على أساس شبكة CNN.
4. الشبكات العصبية المتكررة: تغطي هذه الوحدة نوعًا آخر من الشبكات العصبية المستخدمة خصيصًا للبيانات المستندة إلى التسلسل - RNN و LSTM جنبًا إلى جنب مع تطبيقاتها.
5. مشروع الشبكات العصبية: في هذه الوحدة ، ستقوم بمشروع التعرف على الإيماءات باستخدام شبكات CNN و RNNs.

تعزيز التعلم

في هذا الجزء ، نقدم لك نوعًا آخر من التعلم الآلي - التعلم المعزز. ستتعلم الأساسيات بما في ذلك التعلم المعزز الكلاسيكي وكذلك التعلم المعزز العميق.

يغطي هذا الجزء أقل من 4 وحدات:

1. التعلم المعزز الكلاسيكي: تغطي هذه الوحدة أساسيات RL مثل عملية قرار ماركوف ومعادلات RL وكذلك طرق مونت كارلو.
2. التعلم المعزز الكلاسيكي للواجب: مهمة tic-tac-toe باستخدام RL.
3. التعلم العميق المعزز: في هذه الوحدة ، سوف نتعمق في شبكات Deep Q ، وهيكلها وتنفيذها. كما أنه يغطي موضوعات أكثر تقدمًا مثل أساليب التدرج في السياسة وطرق انتقاد الممثلين.
4. مشروع التعلم المعزز: مهمة يجب القيام بها باستخدام بنية RL.

مشروع كابستون

في هذا الجزء ، ستجعل مشروعك النهائي باستخدام كل المعرفة المكتسبة حتى الآن.

ينقسم هذا الجزء إلى وحدتين:

1. النشر: تغطي هذه الوحدة المرحلة اللاحقة من مشروع التعلم الآلي حيث ستتعلم أساسيات النشر على السحابة و PaaS ، بالإضافة إلى خطوط أنابيب CI / CD وأساسيات Docker.
2. Capstone: مشروع التتويج النهائي لجعل سيرتك الذاتية ومحفظة أعمالك ترتفع بشكل كبير.

قبل ان تذهب

يغطي هذا البرنامج جميع الأساسيات والأدوات والمهارات المتقدمة المطلوبة لدخول علم البيانات وصناعة التعلم الآلي. ستخوض قدرًا كافيًا من البرامج العملية والمشاريع للتأكد من أنك تعلمت جيدًا.

مع كل المهارات المكتسبة ، يمكنك أن تصبح نشطًا على منصات تنافسية أخرى أيضًا لاختبار مهاراتك والحصول على مزيد من التدريب العملي.