آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

توسعه هوش مصنوعی و گسترش کاربرد های آن، دانشجویان علاقه مند را دچار سردرگمی در انتخاب شاخه مناسب برای فعالیت در این حوزه و مسیر شروع یادگیری مباحث AI نموده است.

 یکی از شاخه های پرکاربرد در هوش مصنوعی در سال های اخیر، استفاده از الگوریتم های مبتنی بر هوش مصنوعی شاملِ یادگیری ماشین و زیرمجموعه های آن، مانند یادگیری عمیق و یادگیری تقویتی، در حوزه مالی بوده است. به همین علت، یکی از راه های مناسب برای ورودی به دنیای هوش مصنوعی و یادگیری این مباحث، استفاده از مسیر پیاده سازی پروژه های مالی است.

 سادگی درک مفاهیم مالی می تواند موجب تسریع در روند یادگیری مطالب مرتبط با هوش مصنوعی، با استفاده از پروژه های کاربردی گردد. به این ترتیب، علاوه بر کسب مهارت در پیاده سازی الگوریتم ها درجهت کاربرد های مالی، با یادگیری مباحث مهم هوش مصنوعی، امکان ورود سریع تر به دیگر حوزه های هوش مصنوعی نیز میسر می گردد.

در این دوره، در فصل اول کار با داده های مورد استفاده در پروژه ها آموزش داده می شود و در فصل دوم مباحث مرتبط با یادگیری نظارت شده (Supervised learning) شامل الگوریتم های مختلف رگرسیونی و دسته بندی و همچنین روش های مختلف بهینه سازی الگوریتم ها و انتخاب Hyperparameter های مناسب بررسی شده، و در فصل سوم به یادگیری بدون نظارت (Unsupervised learning) و الگوریتم های مربوطه پرداخته می شود . فصل چهارم شامل مباحث مرتبط با یادگیری تقویتی (Reinforcement Learning و Q-Learning ) بوده و در نهایت، در فصل پنجم به مباحث یادگیری عمیق (Deep Learning) و شبکه های عصبی مصنوعی (Artificial Neural Networks) می پردازیم. در این دوره، مباحث مذکور در قالب فصل های جداگانه و از سطح مقدماتی تا پیشرفته مورد بررسی قرارگرفته و پروژه های متعددی از هرکدام پیاده سازی خواهد شد.

جهت کسب اطلاعات بیشتر در رابطه با این دوره، لطفا جلسه ی معرفی دوره را مشاهده نمایید.

سرفصل های دوره:

1) مفاهیم مقدماتی و شروع کار با داده ها

2) یادگیری ماشین نظارت شده (Supervised Learning)

3) یادگیری بدون نظارت (Unsupervised Learning)

4) یادگیری تقویتی (Reinforcement Learning)

5) یادگیری عمیق (Deep Learning) و شبکه های عصبی مصنوعی (ANN)