(function (s, e, n, d, er) { s['Sender'] = er; s[er] = s[er] || function () { (s[er].q = s[er].q || []).push(arguments) }, s[er].l = 1 * new Date(); var a = e.createElement(n), m = e.getElementsByTagName(n)[0]; a.async = 1; a.src = d; m.parentNode.insertBefore(a, m) })(window, document, 'script', 'https://cdn.sender.net/accounts_resources/universal.js', 'sender'); sender('986212f6399684')
آموزش یادگیری ماشین

  این مقاله را میتوانید در مدت زمان 4 دقیقه مطالعه کنید   منتشر شده در تاریخ: فروردین ۱۱ام, ۱۳۹۹   آخرین بروزرسانی: شهریور ۲۱ام, ۱۴۰۱


این مقاله برگرفته از تجربیات دانیل بورک مهندس یادگیری ماشین می‌باشد:
من یک مهندس یادگیری ماشین هستم و مواردی که برایتان نوشته‌ام نکاتی است که برای مبتدیان بسیار مفید و انگیزشی خواهد بود.  اگر مجددا یادگیری ماشینی را شروع کنم، این موارد را به خود گوشزد می‌کنم و مطمئنا همه را  اجرا خواهم کرد.

آموزش ماشین لرنینگ

به یاد دارم سال‌ها پیش  در استرالیا میزبان یک میتینگ روباتیک و پاسخگوی سوالات شرکت‌کنندگان بودیم. شخصی سوالی پرسید: چگونه می‌توانم از رشته‌ای متفاوت و بدون هیچ زمینه‌ای به هوش مصنوعی و یادگیری ماشین وارد شوم؟

همکارم نیک برگشت و نام من را صدا کرد. “دن بورک کجاست؟” من پشت صحنه بودم و با الکس صحبت می‌کردم. نیک مدیرعامل و بنیان‌گذار شرکت مکس کلسن، یک شرکت فناوری در بریزبن است.

نیک ادامه داد: “خودشه. او اینجاست.” تخصص دن علوم بهداشتی بوده، او در رشته تغذیه فارغ التحصیل شده، سپس مدتی در Uber کار کرده است. یادگیری ماشین را به‌صورت آنلاین فرا گرفت و اکنون یکسالی است که مشغول به کار است و با ماکس کلسن به‌عنوان یک مهندس خبره ی یادگیری ماشین در ارتباط و همکاری می‌باشد. اگر سؤالی دارید، مطمئنم که او خوشحال خواهد شد به شما کمک کند.” و من به سوالات او پاسخ دادم .

فرد دیگری به نام انکیت درباره پروژه‌ای که برای درک بهتر یادگیری دانش آموزانش روی آن کار می‌کرد صحبت کرد. او در حال ترکیب نرخ حضور در سخنرانی‌ها، زمان صرف‌شده در پورتال یادگیری آنلاین، نتایج آزمون‌ها به‌علاوه چند مورد دیگر بود. او حتی یک پورتال وب فرانت اند نیز ایجاد کرده است تا با نتایج در تعامل باشد. کار او برایم الهام‌بخش بود.

آن روز افراد بسیار دیگری هم شروع به آمدن و پرسیدن سؤالاتی درباره نحوه‌ی ورود به حوزه یادگیری ماشین کردند. همگی از رشته‌های مختلفی بودند. از آنجایی که مطمئن هستم همه روزه  افراد مبتدی بسیاری که در حوزه‌های مختلفی فعالیت می‌کنند خواهان ورود به دنیای یادگیری ماشین می‌باشند، لازم دانستم برخی از تجربیاتم را با شما به‌اشتراک بگذارم.

یکی از بزرگترین تجربیات من، که آن را  به برادرم که در حال شروع یادگیری ماشین است هم توصیه کردم،  این است که بهترین مربی کسی است که 1 تا 2 سال از شما جلوتر باشد. یعنی کسی که به‌تازگی آنچه را که شما می‌خواهید طی کنید پشت سر گذاشته است.  شما می‌توانید به‌راحتی مواردی که تازگی دارد را به بهترین شکل از او بیاموزید.

 

مهمترین تجربیات من در خصوص آموزش یادگیری ماشین 

 

الف) برخی از اصول پایتون را یاد بگیرید (زمان مورد نیاز 4-3 ماه)

هوش مصنوعی و یادگیری ماشین به زبان پایتون گره خورده است. البته قبل‌از پایتون ممکن است R ، Java  و یا هر زبان دیگری را شروع کنید.  آنچه مهم است انتخاب یکی از زبان‌ها و چسبیدن به آن است! اگر می‌خواهید به یادگیری ماشین کاربردی وارد شوید، یادگیری کدنویسی Python اجباری است.

یک دوره پایه را از طریق اینترنت انتخاب و طی چند ماه با اراده و مستمر آموزش را دنبال کنید. نیاز نیست در آن زبان حرفه‌ای شوید . البته امتیاز بیشتر را زمانی گرفته‌اید که هم‌زمان به آموزش علوم داده هم بپردازید. DataCamp برای این کار عالی است. اگرچه در بعضی مواقع سخت خواهد بود اما پیشنهاد من به شما یادگیری یک زبان برنامه نویسی مانند پایتون در راستای Data Science و هم‌زمان با آن است.

 

ب) وقتی آماده نیستید، کار را شروع کنید

آنچه را که آموخته‌اید به‌محض امکان استفاده کنید. مهم نیست که چند دوره را گذرانده باشید. مطمئنا هرگز 100٪ آماده نخواهید بود. به هیچ وجه برای ایجاد رزومه حرفه‌ای و نشان‌دادن توانایی خودتان، دوره‌های آموزشی زیاد را بدون شروع کار پشت سر نگذارید. این نکته‌ای است که اگر به گذشته برمی‌گشتم و دوباره شروع می‌کردم، تغییر می‌دادم. برای آموختن بیشتر کافی است پروژه خود را پیدا کنید تا در آن کار کنید و از طریق اشتباه و آزمون و خطا یاد بگیرید.

حرف زدن یک کودک 3 ساله را در نظر بگیرید. کلمات را دائما بیان می‌کند و منظور خود را می‌رساند. اما نه تلفظ درستی دارد، نه ساختار جمله و نه دستور زبان را صحیح بیان می‌کند .ولی درنهایت زبان مادری را به طور کامل خواهد آموخت.

 

ج) منابع زیادی برای یادگیری وجود دارد، مراقب باشید سردرگم نشوید

 

منابع ماشین لرنینگ

 

همه روزه دوره‌های زیادی درخصوص یادگیری ماشین برگزار می‌شود.  معمولا اکثر آنها عالی هستند و پیدا کردن یک دوره که کاملا بی‌ارزش باشد به‌ندرت رخ می‌دهد. اما از آنجا که منابع بسیاری وجود دارند، انتخاب آن‌ها برای آموزش یادگیری ماشین دشوار است. این موضوع دام دیگری است که می‌تواند شما را عقب نگه دارد. برای تحقیق بیشتر در این حوزه و عمیق‌ترشدن در آن، من حتی مدرک کارشناسی ارشد AI خود را نیز گرفتم.  هیچ‌کس به اندازه خودتان نمی‌تواند تشخیص دهد کدام منبع برای یادگیری شما مناسب خواهد بود.

ولی به‌عنوان بهترین منابع، سه منبعی را که بیشتر با آنچه‌که من همه روزه انجام می‌دهم مطابقت دارد به شما معرفی می‌کنم:  کتابهای یادگیری ماشین Hands-On ، دوره یادگیری ماشین fastai و علم داده کاربردی با دوره Python در Coursera. پس بهتر است پس از تجربه چند ماه کار با پایتون، این موارد را به‌خاطر بسپارید و از آن‌ها استفاده کنید.

 

د)دنبال کردن تحقیقات لازم است ولی اگر نتوانید از آن‌ها استفاده کنید بیهوده‌اند

احتمالا مقالات و تحقیقاتی را که هر روزه در مورد روش های جدید یادگیری ماشین منتشر می‌شود زیاد دیده‌اید. آنها را نادیده بگیرید. هیچ راهی برای استفاده کردن از همه آن‌ها وجود ندارد و فقط باعث می‌شود که در مسیر  یادگیری شما اختلال و بی‌نظمی ایجاد شود. بسیاری از بهترین تکنیک‌های یادگیری ماشین حدود دهه‌ها ثابت بوده است. آنچه تغییر کرده افزایش قدرت محاسبات و در دسترس بودن داده‌ها است. پس با روش‌های جدید منحرف نشوید. اگر شروع می‌کنید‌، ابتدا به تقویت پایه‌های خود بپردازید. سپس دانش خود را به اندازه‌ای که پروژه‌تان نیاز دارد گسترش بدهید و به‌روز کنید.

 

ه)هر روز کمی تمرین کنید

در 3 سالگی شما شروع کردید زبان مادری‌تان را یاد بگیرید.  در مدت دو سال، شما از نفهمیدن حتی یک حرف و کلمه رسیدید به گفتگوکردن با افرادی، مثل پدر و مادرتان، که سال‌ها به آن زبان صحبت می‌کردند. اما چطور؟ زیرا هرروز ناخواسته تمرین کردید.  بعد از مدتی به یادگیری بیشتر کنجکاو و علاقه‌مند شدید. اگر در آموختن مهارتی هرروز 1٪ بهتراز روز قبل شوید 360٪ در پایان سال بهتر شدید. اگر یک روز خسته و بی حوصله بودید، مهم نیست چون  طبیعی است و این برای همه اتفاق می‌افتد. مهم این است وقتی دوباره امکانش بود یادگیری را از سر بگیرید.

 

و) به خاطر ندانستن چیزی  خود را سرزنش نکنید 

 

یادگیری ماشین چیست؟

 

آیا تاکنون موتور پیشنهاد‌دهنده ساخته اید؟ “نه”! ما پروژه‌ای داریم که به این موتور نیاز دارد، فکر می‌کنید می‌توانید آن را بنویسید؟ “مطمئنا، بله.”
من هم هرگز موتور  پیشنهاد‌دهنده‌ای نساخته بودم . اما در طول یک هفته انجامش دادم.  درحین انجام چیزهای جدید بسیاری آموختم. بیشتر مردم فکر می‌کنند که یادگیری پس از دبیرستان یا دانشگاه متوقف می‌شود. آن‌ها  کاملا در اشتباه‌اند.

اگر در کاری که قبلاً انجام داده‌اید ناکام شدید یا شکست خوردید، بد نیست.  شما تمام عمر خود را پیاده‌روی کردید اما خودتان را وقتی به زمین می‌خورید سرزنش نمی‌کنید. این اتفاق از نظر شما طبیعی است و به پیاده‌روی خود ادامه می‌دهید. پس چرا پذیرش ابهام و ناکامی در  تجربه‌ی جدیدی که قبلاً هرگز تجربه‌ی انجام‌دادنش را نداشتید و کاملا برای‌تان تازه است، تا این اندازه دشوار است؟

 

یادگیری ماشین

 

 

جمع‌بندی و نتیجه‌گیری 

از دید من روند یادگیری ماشین به این صورت است:

پیش از شروع: آموزش زبان پایتون
سال اول: شما بسیاری از چیزها را نمی‌دانید.
سال دوم: شما بهتر از سال گذشته هستید اما احساس می‌کنید بیشتر ازقبل نیاز به آموختن دارید. زیرا می‌دانید که تا چه اندازه نمی‌دانید!
سال سوم: آغوشتان را برای دنیایی از نادانسته‌ها بگشایید!

هوش مصنوعی هرروز بیشتر پیشرفت می‌کند و کاربردهای تازه‌تری پیدا می‌کند. ماشین لرنینگ و دیپ لرنینگ هم همین‌طور هستند. یادگیری ماشین لرنینگ شما را به دنیای شگفت‌انگیزی وارد می‌کند. آینده‌ی بشر با هوش مصنوعی و ماشین لرنینگ ساخته خواهد شد. بنابراین اگر علاقه‌مند به این حوزه هستید، وقت را از دست ندهید و با استفاده از ۶ پیشنهادی که در این محتوا خواندید یادگیری را شروع کنید

 

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

دوره تخصصی یادگیری ماشین

در یک دوره آموزشی متخصص یادگیری ماشین شوید.

از یادگیری ماشین می توان در صنایع مختلف با اهداف مختلف استفاده کرد. ماشین لرنینگ باعث افزایش بهره وری در صنایع می شود، به بازاریابی محصول کمک کرده و پیش بینی دقیق فروش را ساده تر می کند. پیش بینی های دقیق پزشکی و تشخیص ها را تسهیل می کند. دقت در قوانین و مدل های مالی را بهبود می بخشد. به سیستم های توصیه گر، الگوریتم های فرا ابتکاری و حرکت ربات ها کمک خواهد کرد. در بحث فروش میتواند محصولات مناسب تری را به مشتری پیشنهاد دهد( با کمک به تقسیم بندی بهتر و پیش بینی دقیق طول عمر محصولات ) و ...
استفاده از سیستم های ماشین لرنینگ می تواند تا حد زیادی حجم کاری ما را کاهش دهد. به خصوص کارهایی که نیاز به آنالیز حجم عظیمی از داده و تصمیم گیری بر اساس این داده ها را دارد بسیار تسهیل می کند. سیستم های مبتنی بر ماشین لرنینگ ظرفیت انجام کار صد نفر را همزمان دارد و تنها به کمک ماشین ها می توان بدون صرف وقت و انرژی زیاد، کارهای سنگین را انجام داده و در عین حال پول و درآمد بیشتری کسب کرد. ماشین لرنینگ با خودکارسازی فرایندها و صرفه جویی در زمان، به ما کمک می کند تا بتوانیم زمان و انرژی خود را بر تصمیم گیری های پیچیده تری متمرکز کنیم.
ادامه...

شاید به این مطالب نیز علاقه مند باشید.

یادگیری عمیق و پایتون و کراس

انجام گام به گام پروژه دیپ لرنینگ در پایتون

محبوبیت پایتون هر روز رو به افزایش است و کاربران به این نتیجه رسیده اند که پایتون زبانی بسیار قدرتمند و ساده برای استفاده است. در این مقاله به انجام…

سوالات مصاحبه پایتون

مهم ترین سوالات مصاحبه استخدامی پایتون در سال ٢٠٢٢ (٣٠ سوال همراه با پاسخ کامل)

مصاحبه شغلی همیشه یکی از موقعیت های مهم و شاید استرس زا در زندگی کاری هر فرد است. مصاحبه استخدامی برنامه نویسی پایتون نیز از این قاعده مستثنی نیست. اگر…

برنامه نویسی فانکشنال یا تابعی

برنامه نویسی فانکشنال در پایتون: ساده، جامع و کاربردی

برنامه‌نویسی انواع مختلفی دارد. یعنی براساس ویژگی‌ها و قابلیت‌هایی که زبان‌های برنامه‌نویسی دارند می‌شود تقسیمشان کرد. دراصطلاح تخصصی، از پارادایم‌های برنامه‌نویسی (Programming Paradigms)  صحبت می‌شود. پارادایم‌ها همان دسته‌ها هستند که…

0 0 رای
امتیازدهی به مقاله
دنبال کردن
با خبر کردن از
guest
2 دیدگاه
قدیمی ترین
جدیدترین بیشترین بازخورد
بازخورد داخلی
دیدن همه نظرات
aren
aren
2 سال‌ گذشته

میشه لطف کنید منبع english این مقاله رو برام بفرستید؟

تاییدیه ها

تهران - ستارخان، خیابان کوثر دوم، پلاک ۱۰، واحد ۳

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

دوره تخصصی یادگیری ماشین

در یک دوره آموزشی متخصص یادگیری ماشین شوید.

از یادگیری ماشین می توان در صنایع مختلف با اهداف مختلف استفاده کرد. ماشین لرنینگ باعث افزایش بهره وری در صنایع می شود، به بازاریابی محصول کمک کرده و پیش بینی دقیق فروش را ساده تر می کند. پیش بینی های دقیق پزشکی و تشخیص ها را تسهیل می کند. دقت در قوانین و مدل های مالی را بهبود می بخشد. به سیستم های توصیه گر، الگوریتم های فرا ابتکاری و حرکت ربات ها کمک خواهد کرد. در بحث فروش میتواند محصولات مناسب تری را به مشتری پیشنهاد دهد( با کمک به تقسیم بندی بهتر و پیش بینی دقیق طول عمر محصولات ) و ...
استفاده از سیستم های ماشین لرنینگ می تواند تا حد زیادی حجم کاری ما را کاهش دهد. به خصوص کارهایی که نیاز به آنالیز حجم عظیمی از داده و تصمیم گیری بر اساس این داده ها را دارد بسیار تسهیل می کند. سیستم های مبتنی بر ماشین لرنینگ ظرفیت انجام کار صد نفر را همزمان دارد و تنها به کمک ماشین ها می توان بدون صرف وقت و انرژی زیاد، کارهای سنگین را انجام داده و در عین حال پول و درآمد بیشتری کسب کرد. ماشین لرنینگ با خودکارسازی فرایندها و صرفه جویی در زمان، به ما کمک می کند تا بتوانیم زمان و انرژی خود را بر تصمیم گیری های پیچیده تری متمرکز کنیم.
ادامه...