آموزش یادگیری ماشین

یادگیری ماشین به عنوان یکی از حوزه های پرطرفدار و پیشرو در علوم داده و هوش مصنوعی، اهمیت ویژه ای دارد. دوره آموزشی “مهندسی یادگیری ماشین” (Machine Learning Engineer Nanodegree V1 0 0) که توسط یوداسیتی ارائه شده است، یک مسیر جامع و تخصصی برای تبدیل شدن به یک مهندس یادگیری ماشین حرفه ای را فراهم می کند. این دوره شامل ویدیوهای آموزشی مختلفی است که هر یک از مباحث کلیدی و مهارت های عملی مورد نیاز برای کار در این حوزه را پوشش می دهند. در ادامه به معرفی محتوای این دوره و توضیحات مرتبط با هر ویدیو می پردازیم.

پروژه تمرینی مقدماتی (Introductory Practice Project)

1. Module 01 Lesson 03

پروژه تمرینی مقدماتی اولین گام در دوره مهندسی یادگیری ماشین است. این پروژه به دانشجویان کمک می کند تا مفاهیم اولیه را درک کنند و با نحوه اجرای پروژه های یادگیری ماشین آشنا شوند. هدف اصلی این بخش، تقویت پایه های علمی و عملی دانشجویان است.

در این پروژه، دانشجویان با مراحل ابتدایی یک پروژه یادگیری ماشین آشنا می شوند. این مراحل شامل جمع آوری داده ها، پیش پردازش، مدل سازی و ارزیابی مدل ها می باشد. همچنین، ابزارها و کتابخانه های متداولی که در این زمینه استفاده می شوند معرفی می گردند.

ارزیابی Numpy و Pandas (Numpy And Pandas Assessment)

2. Module 04 Lesson 01

کتابخانه های Numpy و Pandas از ابزارهای اساسی برای تجزیه و تحلیل داده ها در پایتون هستند. در این ویدیو، دانشجویان با نحوه استفاده از این کتابخانه ها برای انجام محاسبات عددی و تجزیه و تحلیل داده ها آشنا می شوند.

این ویدیو شامل مثال ها و تمرین های کاربردی است که به دانشجویان کمک می کند تا مفاهیم پیچیده را به صورت عملی درک کنند. استفاده موثر از Numpy و Pandas یکی از مهارت های حیاتی برای هر مهندس یادگیری ماشین است.

ارزیابی مدل و اعتبارسنجی (Model Evaluation And Validation Assessment)

2. Module 04 Lesson 02

ارزیابی مدل ها و اعتبارسنجی آنها نقش مهمی در فرایند یادگیری ماشین دارد. در این ویدیو، دانشجویان با روش های مختلف ارزیابی مدل ها، از جمله اعتبارسنجی متقاطع (Cross-Validation) و معیارهای ارزیابی عملکرد مدل ها مانند دقت، حساسیت و F1 Score آشنا می شوند.

دانشجویان یاد می گیرند که چگونه مدل های خود را به طور موثر ارزیابی و بهینه سازی کنند تا از صحت و دقت نتایج اطمینان حاصل کنند. این بخش شامل مثال های عملی و کاربردی است که به فهم بهتر این مفاهیم کمک می کند.

ارزیابی یادگیری نظارت شده (Supervised Learning Assessment)

3. Module 01 Lesson 07

یادگیری نظارت شده یکی از روش های اصلی یادگیری ماشین است که در آن مدل ها با استفاده از داده های برچسب دار آموزش داده می شوند. این ویدیو به ارزیابی یادگیری نظارت شده می پردازد و روش های مختلف آن را مورد بررسی قرار می دهد.

در این بخش، دانشجویان با الگوریتم های مختلف یادگیری نظارت شده مانند رگرسیون خطی، رگرسیون لجستیک و درخت تصمیم آشنا می شوند و نحوه پیاده سازی و ارزیابی آنها را یاد می گیرند.

پروژه کوچک خوشه بندی (Clustering Mini Project)

4. Module 02 Lesson 02

خوشه بندی یکی از تکنیک های مهم در یادگیری ماشین بدون نظارت است که برای گروه بندی داده های مشابه به کار می رود. در این ویدیو، دانشجویان با پروژه کوچک خوشه بندی آشنا می شوند که در آن از الگوریتم های مختلف خوشه بندی مانند K-Means و خوشه بندی سلسله مراتبی استفاده می شود.

این پروژه به دانشجویان کمک می کند تا مهارت های خود را در زمینه خوشه بندی تقویت کنند و نحوه استفاده از این تکنیک ها را در مسائل واقعی یاد بگیرند.

خوشه بندی سلسله مراتبی و مبتنی بر چگالی (Hierarchical And Density Based Clustering)

4. Module 02 Lesson 03

در این ویدیو، تکنیک های پیشرفته تری از خوشه بندی مانند خوشه بندی سلسله مراتبی و خوشه بندی مبتنی بر چگالی مورد بررسی قرار می گیرند. این روش ها برای شناسایی ساختارهای پیچیده تر در داده ها به کار می روند.

دانشجویان یاد می گیرند که چگونه از این تکنیک ها برای تحلیل داده های بزرگ و پیچیده استفاده کنند و نتایج حاصل از خوشه بندی را تفسیر نمایند.

پروژه کوچک PCA (Pca Mini Project)

4. Module 05 Lesson 01

تحلیل مولفه های اصلی (PCA) یکی از روش های کاهش ابعاد در یادگیری ماشین است که برای ساده سازی داده ها و کاهش حجم آنها استفاده می شود. این ویدیو به پروژه کوچک PCA اختصاص دارد که در آن دانشجویان با نحوه استفاده از PCA برای تجزیه و تحلیل داده ها آشنا می شوند.

پروژه شامل مثال های عملی است که به دانشجویان کمک می کند تا مفاهیم PCA را به صورت عملی درک کنند و بتوانند از این تکنیک در پروژه های خود استفاده نمایند.

ارزیابی یادگیری بدون نظارت (Unsupervised Learning Assessment)

4. Module 07 Lesson 01

یادگیری بدون نظارت یکی از روش های اصلی یادگیری ماشین است که در آن مدل ها بدون استفاده از داده های برچسب دار آموزش داده می شوند. این ویدیو به ارزیابی یادگیری بدون نظارت و تکنیک های مختلف آن می پردازد.

دانشجویان با الگوریتم های مختلف یادگیری بدون نظارت مانند خوشه بندی و کاهش ابعاد آشنا می شوند و نحوه پیاده سازی و ارزیابی آنها را یاد می گیرند.

ارزیابی یادگیری عمیق (Deep Learning Assessment)

5. Module 01 Lesson 06

یادگیری عمیق یکی از حوزه های پیشرفته و پرکاربرد در یادگیری ماشین است که بر پایه شبکه های عصبی مصنوعی بنا شده است. در این ویدیو، دانشجویان با ارزیابی یادگیری عمیق و روش های مختلف آن آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم پیچیده یادگیری عمیق را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

پروژه یادگیری عمیق (Deep Learning Project)

5. Module 01 Lesson 07

پروژه یادگیری عمیق یکی از بخش های مهم دوره است که در آن دانشجویان به پیاده سازی یک پروژه کامل یادگیری عمیق می پردازند. این پروژه شامل مراحل مختلفی از جمع آوری داده ها تا پیش پردازش، مدل سازی و ارزیابی مدل ها می باشد.

هدف اصلی این پروژه، تقویت مهارت های عملی دانشجویان در زمینه یادگیری عمیق و آماده سازی آنها برای کار در پروژه های واقعی است.

روش های مبتنی بر سیاست (Policy Based Methods)

6. Module 02 Lesson 03

روش های مبتنی بر سیاست یکی از تکنیک های پیشرفته در یادگیری تقویتی است که برای بهینه سازی سیاست ها و تصمیم گیری های پیچیده به کار می رود. در این ویدیو، دانشجویان با این روش ها و نحوه پیاده سازی آنها آشنا می شوند.

این بخش شامل مثال ها و تمرین های کاربردی است که به دانشجویان کمک می کند تا مفاهیم پیشرفته یادگیری تقویتی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در مسائل واقعی استفاده نمایند.

روش های بازیگر-منتقد (Actor Critic Methods)

6. Module 02 Lesson 04

روش های بازیگر-منتقد یکی دیگر از تکنیک های پیشرفته در یادگیری تقویتی است که برای بهبود عملکرد مدل ها به کار می رود. در این ویدیو، دانشجویان با این روش ها و نحوه پیاده سازی آنها آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم پیچیده بازیگر-منتقد را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

ارزیابی یادگیری تقویتی (Reinforcement Learning Assessment)

6. Module 03 Lesson 01

یادگیری تقویتی یکی از روش های اصلی یادگیری ماشین است که در آن مدل ها با استفاده از پاداش و تنبیه آموزش داده می شوند. این ویدیو به ارزیابی یادگیری تقویتی و روش های مختلف آن می پردازد.

دانشجویان با الگوریتم های مختلف یادگیری تقویتی مانند Q-Learning و SARSA آشنا می شوند و نحوه پیاده سازی و ارزیابی آنها را یاد می گیرند.

نوشتن پیشنهاد پروژه نهایی (Writing Up A Capstone Proposal)

7. Module 01 Lesson 01

پروژه نهایی یکی از بخش های مهم هر دوره آموزشی است که در آن دانشجویان به پیاده سازی یک پروژه جامع و کامل می پردازند. این ویدیو به نحوه نوشتن پیشنهاد پروژه نهایی اختصاص دارد که در آن دانشجویان با مراحل مختلف تهیه یک پیشنهاد پروژه آشنا می شوند.

این بخش شامل مثال ها و تمرین های کاربردی است که به دانشجویان کمک می کند تا پیشنهاد پروژه خود را به صورت حرفه ای تهیه کنند و از تایید آن اطمینان حاصل نمایند.

پروژه نهایی یادگیری ماشین (Machine Learning Capstone Project)

7. Module 02 Lesson 01

پروژه نهایی یادگیری ماشین یکی از بخش های مهم دوره است که در آن دانشجویان به پیاده سازی یک پروژه کامل یادگیری ماشین می پردازند. این پروژه شامل مراحل مختلفی از جمع آوری داده ها تا پیش پردازش، مدل سازی و ارزیابی مدل ها می باشد.

هدف اصلی این پروژه، تقویت مهارت های عملی دانشجویان در زمینه یادگیری ماشین و آماده سازی آنها برای کار در پروژه های واقعی است.

موفقیت در مصاحبه (Ace Your Interview)

10. Module 01 Lesson 01

موفقیت در مصاحبه یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای موفقیت در مصاحبه های شغلی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه مصاحبه تقویت کنند و بتوانند به طور موثر در مصاحبه ها شرکت کنند.

اشتباهات مصاحبه (Interview Fails)

10. Module 01 Lesson 03

شناخت اشتباهات رایج در مصاحبه ها می تواند به دانشجویان کمک کند تا از تکرار آنها خودداری کنند و عملکرد بهتری در مصاحبه ها داشته باشند. در این ویدیو، دانشجویان با اشتباهات رایج در مصاحبه ها آشنا می شوند و نکات لازم برای جلوگیری از آنها را یاد می گیرند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه مصاحبه تقویت کنند و بتوانند به طور موثر در مصاحبه ها شرکت کنند.

دریافت پیشنهاد شغلی (Land A Job Offer)

10. Module 01 Lesson 04

دریافت پیشنهاد شغلی یکی از اهداف نهایی هر جویای کاری است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای دریافت پیشنهاد شغلی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه یافتن شغل تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

مطالعات موردی در الگوریتم ها (Case Studies In Algorithms)

10. Module 02 Lesson 07

مطالعات موردی یکی از روش های موثر برای درک بهتر مفاهیم پیچیده در الگوریتم ها است. در این ویدیو، دانشجویان با مطالعات موردی در الگوریتم های مختلف آشنا می شوند و نحوه پیاده سازی و ارزیابی آنها را یاد می گیرند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم پیچیده الگوریتم ها را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

نرم افزار و ابزارها (Software And Tools)

11. Module 01 Lesson 01

آشنایی با نرم افزارها و ابزارهای مورد استفاده در یادگیری ماشین یکی از مهارت های اساسی برای هر مهندس یادگیری ماشین است. در این ویدیو، دانشجویان با نرم افزارها و ابزارهای مختلفی که در این زمینه به کار می روند آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در استفاده از نرم افزارها و ابزارهای مختلف تقویت کنند و بتوانند به طور موثر از آنها در پروژه های خود استفاده نمایند.

یادگیری عمیق (Deep Learning)

11. Module 01 Lesson 02

یادگیری عمیق یکی از حوزه های پیشرفته و پرکاربرد در یادگیری ماشین است که بر پایه شبکه های عصبی مصنوعی بنا شده است. در این ویدیو، دانشجویان با مفاهیم و تکنیک های مختلف یادگیری عمیق آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم پیچیده یادگیری عمیق را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

خوش آمدگویی به یادگیری ماشین (Welcome To Machine Learning)

Part 01-Module 01-Lesson 01

این ویدیو به عنوان مقدمه ای برای دوره یادگیری ماشین است که در آن به دانشجویان خوش آمدگویی می شود و مروری بر محتوای دوره ارائه می گردد.

در این بخش، دانشجویان با مفاهیم پایه یادگیری ماشین آشنا می شوند و نحوه پیشروی در دوره را یاد می گیرند. این ویدیو شامل نکات مهم و راهنمایی های لازم برای شروع یادگیری می باشد.

یادگیری ماشین چیست؟ (What Is Machine Learning)

Part 01-Module 01-Lesson 02

در این ویدیو، مفاهیم پایه ای یادگیری ماشین مورد بررسی قرار می گیرد و دانشجویان با تعریف و کاربردهای مختلف آن آشنا می شوند.

این بخش شامل مثال های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری ماشین را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

خدمات شغلی موجود برای شما (Career Services Available To You)

Part 01-Module 02-Lesson 01

این ویدیو به خدمات شغلی که برای دانشجویان دوره یادگیری ماشین موجود است، می پردازد. دانشجویان با فرصت های شغلی و منابع موجود برای یافتن شغل آشنا می شوند.

این بخش شامل مثال ها و راهنمایی های کاربردی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه یافتن شغل تقویت کنند و بتوانند به طور موثر از منابع موجود استفاده نمایند.

آموزش مدل ها (Training And Testing Models)

Part 02-Module 01-Lesson 01

آموزش مدل ها یکی از مراحل اصلی در یادگیری ماشین است. در این ویدیو، دانشجویان با روش های مختلف آموزش و آزمایش مدل ها آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه آموزش مدل ها تقویت کنند و بتوانند به طور موثر مدل های خود را آموزش دهند.

معیارهای ارزیابی (Evaluation Metrics)

Part 02-Module 02-Lesson 01

معیارهای ارزیابی نقش مهمی در ارزیابی عملکرد مدل های یادگیری ماشین دارند. در این ویدیو، دانشجویان با معیارهای مختلف ارزیابی مانند دقت، حساسیت و F1 Score آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم معیارهای ارزیابی را به صورت عملی درک کنند و بتوانند از آنها برای ارزیابی مدل های خود استفاده نمایند.

انتخاب مدل (Model Selection)

Part 02-Module 03-Lesson 01

انتخاب مدل یکی از مراحل مهم در فرایند یادگیری ماشین است که در آن بهترین مدل برای یک مسئله خاص انتخاب می شود. در این ویدیو، دانشجویان با روش های مختلف انتخاب مدل آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم انتخاب مدل را به صورت عملی درک کنند و بتوانند بهترین مدل را برای مسائل خود انتخاب نمایند.

پیش بینی قیمت مسکن بوستون (Predicting Boston Housing Prices)

Part 02-Module 05-Lesson 01

پیش بینی قیمت مسکن یکی از مسائل متداول در یادگیری ماشین است. در این ویدیو، دانشجویان با نحوه پیش بینی قیمت مسکن در بوستون با استفاده از الگوریتم های یادگیری ماشین آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم پیش بینی قیمت مسکن را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

رگرسیون خطی (Linear Regression)

Part 03-Module 01-Lesson 01

رگرسیون خطی یکی از الگوریتم های پایه ای در یادگیری ماشین است که برای پیش بینی متغیرهای پیوسته استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی رگرسیون خطی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم رگرسیون خطی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

الگوریتم پرسپترون (Perceptron Algorithm)

Part 03-Module 01-Lesson 02

الگوریتم پرسپترون یکی از الگوریتم های پایه ای در یادگیری ماشین است که برای دسته بندی داده ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی الگوریتم پرسپترون آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم الگوریتم پرسپترون را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

درخت تصمیم (Decision Trees)

Part 03-Module 01-Lesson 03

درخت تصمیم یکی از الگوریتم های متداول در یادگیری ماشین است که برای دسته بندی و پیش بینی استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی درخت تصمیم آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم درخت تصمیم را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

بیز ساده (Naive Bayes)

Part 03-Module 01-Lesson 04

بیز ساده یکی از الگوریتم های متداول در یادگیری ماشین است که برای دسته بندی استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی بیز ساده آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم بیز ساده را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

ماشین بردار پشتیبانی (Support Vector Machines)

Part 03-Module 01-Lesson 05

ماشین بردار پشتیبانی یکی از الگوریتم های پیشرفته در یادگیری ماشین است که برای دسته بندی و رگرسیون استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی ماشین بردار پشتیبانی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم ماشین بردار پشتیبانی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

روش های ترکیبی (Ensemble Methods)

Part 03-Module 01-Lesson 06

روش های ترکیبی یکی از تکنیک های پیشرفته در یادگیری ماشین است که برای بهبود عملکرد مدل ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی روش های ترکیبی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم روش های ترکیبی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

پروژه یادگیری نظارت شده (Supervised Learning Project)

Part 03-Module 01-Lesson 08

پروژه یادگیری نظارت شده یکی از بخش های مهم دوره است که در آن دانشجویان به پیاده سازی یک پروژه کامل یادگیری نظارت شده می پردازند. این پروژه شامل مراحل مختلفی از جمع آوری داده ها تا پیش پردازش، مدل سازی و ارزیابی مدل ها می باشد.

هدف اصلی این پروژه، تقویت مهارت های عملی دانشجویان در زمینه یادگیری نظارت شده و آماده سازی آنها برای کار در پروژه های واقعی است.

خوشه بندی (Clustering)

Part 04-Module 02-Lesson 01

خوشه بندی یکی از تکنیک های مهم در یادگیری ماشین بدون نظارت است که برای گروه بندی داده های مشابه به کار می رود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی خوشه بندی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم خوشه بندی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

مدل های مخلوط گوسی و اعتبارسنجی خوشه ها (Gaussian Mixture Models And Cluster Validation)

Part 04-Module 02-Lesson 04

مدل های مخلوط گوسی یکی از تکنیک های پیشرفته در خوشه بندی است که برای شناسایی ساختارهای پیچیده تر در داده ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی مدل های مخلوط گوسی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم مدل های مخلوط گوسی و اعتبارسنجی خوشه ها را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

مقیاس بندی ویژگی ها (Feature Scaling)

Part 04-Module 03-Lesson 01

مقیاس بندی ویژگی ها یکی از مراحل مهم در پیش پردازش داده ها است که برای بهبود عملکرد مدل ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی مقیاس بندی ویژگی ها آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم مقیاس بندی ویژگی ها را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

تحلیل مولفه های اصلی (PCA)

Part 04-Module 04-Lesson 01

تحلیل مولفه های اصلی (PCA) یکی از روش های کاهش ابعاد در یادگیری ماشین است که برای ساده سازی داده ها و کاهش حجم آنها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی PCA آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم PCA را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

تصادفی و ICA (Random Projection And ICA)

Part 04-Module 06-Lesson 01

روش های تصادفی و تحلیل مولفه های مستقل (ICA) دو تکنیک مهم در کاهش ابعاد و استخراج ویژگی ها هستند. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی این روش ها آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم کاهش ابعاد تصادفی و ICA را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

ایجاد قطعات مشتریان (Creating Customer Segments)

Part 04-Module 08-Lesson 01

ایجاد قطعات مشتریان یکی از کاربردهای مهم خوشه بندی در یادگیری ماشین است که برای تجزیه و تحلیل بازار و شناسایی گروه های مختلف مشتریان استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی ایجاد قطعات مشتریان آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم ایجاد قطعات مشتریان را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

شبکه های عصبی (Neural Networks)

Part 05-Module 01-Lesson 01

شبکه های عصبی یکی از تکنیک های اصلی در یادگیری عمیق است که برای حل مسائل پیچیده یادگیری ماشین استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی شبکه های عصبی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم شبکه های عصبی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

رایانش ابری (Cloud Computing)

Part 05-Module 01-Lesson 02

رایانش ابری یکی از تکنیک های مدرن برای ذخیره سازی و پردازش داده ها است که برای افزایش کارایی و مقیاس پذیری سیستم ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه استفاده از رایانش ابری آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم رایانش ابری را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

شبکه های عصبی عمیق (Deep Neural Networks)

Part 05-Module 01-Lesson 03

شبکه های عصبی عمیق یکی از تکنیک های پیشرفته در یادگیری عمیق است که برای حل مسائل پیچیده یادگیری ماشین استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی شبکه های عصبی عمیق آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم شبکه های عصبی عمیق را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

شبکه های عصبی کانولوشن (Convolutional Neural Networks)

Part 05-Module 01-Lesson 04

شبکه های عصبی کانولوشن یکی از تکنیک های پیشرفته در یادگیری عمیق است که برای پردازش تصاویر و داده های بصری استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی شبکه های عصبی کانولوشن آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم شبکه های عصبی کانولوشن را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

یادگیری عمیق برای تشخیص سرطان با سباستین تران (Deep Learning For Cancer Detection With Sebastian Thrun)

Part 05-Module 01-Lesson 05

تشخیص سرطان یکی از کاربردهای مهم یادگیری عمیق در پزشکی است. در این ویدیو، دانشجویان با نحوه استفاده از یادگیری عمیق برای تشخیص سرطان و همکاری با سباستین تران آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری عمیق را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

مقدمه ای بر RL (Introduction To RL)

Part 06-Module 01-Lesson 01

یادگیری تقویتی یکی از روش های اصلی یادگیری ماشین است که در آن مدل ها با استفاده از پاداش و تنبیه آموزش داده می شوند. در این ویدیو، دانشجویان با مفاهیم پایه یادگیری تقویتی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری تقویتی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

چارچوب RL: مسئله (The RL Framework The Problem)

Part 06-Module 01-Lesson 02

در این ویدیو، دانشجویان با چارچوب یادگیری تقویتی و مسئله های مختلفی که در این زمینه مطرح می شوند آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم چارچوب یادگیری تقویتی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

چارچوب RL: راه حل (The RL Framework The Solution)

Part 06-Module 01-Lesson 03

در این ویدیو، دانشجویان با راه حل های مختلفی که در چارچوب یادگیری تقویتی مطرح می شوند آشنا می شوند. این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم چارچوب یادگیری تقویتی و راه حل های مختلف آن را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

برنامه نویسی پویا (Dynamic Programming)

Part 06-Module 01-Lesson 04

برنامه نویسی پویا یکی از تکنیک های پیشرفته در یادگیری تقویتی است که برای بهینه سازی تصمیم گیری ها و حل مسائل پیچیده استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی برنامه نویسی پویا آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم برنامه نویسی پویا را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

روش های مونت کارلو (Monte Carlo Methods)

Part 06-Module 01-Lesson 05

روش های مونت کارلو یکی از تکنیک های پیشرفته در یادگیری تقویتی است که برای شبیه سازی و بهینه سازی تصمیم گیری ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی روش های مونت کارلو آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم روش های مونت کارلو را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

روش های تفاوت زمانی (Temporal-Difference Methods)

Part 06-Module 01-Lesson 06

روش های تفاوت زمانی یکی از تکنیک های پیشرفته در یادگیری تقویتی است که برای بهینه سازی و تسریع فرایند یادگیری استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی روش های تفاوت زمانی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم روش های تفاوت زمانی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

حل وظیفه Taxi-V2 در OpenAI Gym (Solve OpenAI Gym’s Taxi-V2 Task)

Part 06-Module 01-Lesson 07

در این ویدیو، دانشجویان با نحوه حل وظیفه Taxi-V2 در OpenAI Gym آشنا می شوند که یکی از محیط های شبیه سازی یادگیری تقویتی است. این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری تقویتی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

RL در فضاهای پیوسته (RL In Continuous Spaces)

Part 06-Module 02-Lesson 01

یادگیری تقویتی در فضاهای پیوسته یکی از موضوعات پیشرفته در یادگیری تقویتی است که برای حل مسائل پیچیده تر به کار می رود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی یادگیری تقویتی در فضاهای پیوسته آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری تقویتی در فضاهای پیوسته را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

یادگیری عمیق Q (Deep Q-Learning)

Part 06-Module 02-Lesson 02

یادگیری عمیق Q یکی از تکنیک های پیشرفته در یادگیری تقویتی است که برای بهینه سازی تصمیم گیری ها و حل مسائل پیچیده استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی یادگیری عمیق Q آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری عمیق Q را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

آموزش یک پهپاد به پرواز (Teach A Quadcopter How To Fly)

Part 06-Module 02-Lesson 05

آموزش یک پهپاد به پرواز یکی از پروژه های جذاب و عملی در یادگیری تقویتی است که در آن دانشجویان با نحوه آموزش یک پهپاد به پرواز آشنا می شوند. این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم یادگیری تقویتی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

جستجوی شغل (Conduct A Job Search)

Part 08-Module 01-Lesson 01

جستجوی شغل یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای جستجوی شغل آشنا می شوند. این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه جستجوی شغل تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

بهینه سازی رزومه برای ورود به بازار کار (Refine Your Entry-Level Resume)

Part 08-Module 02-Lesson 01

بهینه سازی رزومه برای ورود به بازار کار یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای بهینه سازی رزومه آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه بهینه سازی رزومه تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

بهینه سازی رزومه برای تغییر شغل (Refine Your Career Change Resume)

Part 08-Module 02-Lesson 02

بهینه سازی رزومه برای تغییر شغل یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای بهینه سازی رزومه آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه بهینه سازی رزومه تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

بهینه سازی رزومه برای تجربه های صنعتی قبلی (Refine Your Prior Industry Experience Resume)

Part 08-Module 02-Lesson 03

بهینه سازی رزومه برای تجربه های صنعتی قبلی یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای بهینه سازی رزومه آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه بهینه سازی رزومه تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

نگارش نامه پوششی (Craft Your Cover Letter)

Part 08-Module 03-Lesson 01

نگارش نامه پوششی یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای نگارش نامه پوششی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه نگارش نامه پوششی تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

توسعه برند شخصی (Develop Your Personal Brand)

Part 09-Module 01-Lesson 01

توسعه برند شخصی یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای توسعه برند شخصی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه توسعه برند شخصی تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

بررسی لینکدین (LinkedIn Review)

Part 09-Module 01-Lesson 02

بررسی لینکدین یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای بررسی و بهینه سازی پروفایل لینکدین آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه بررسی و بهینه سازی پروفایل لینکدین تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

پروفایل حرفه ای یوداسیتی (Udacity Professional Profile)

Part 09-Module 01-Lesson 03

پروفایل حرفه ای یوداسیتی یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای بهینه سازی پروفایل حرفه ای یوداسیتی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه بهینه سازی پروفایل حرفه ای یوداسیتی تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

بررسی گیت هاب (GitHub Review)

Part 09-Module 02-Lesson 01

بررسی گیت هاب یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای بررسی و بهینه سازی پروفایل گیت هاب آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه بررسی و بهینه سازی پروفایل گیت هاب تقویت کنند و بتوانند به طور موثر در فرآیند یافتن شغل موفق شوند.

تمرین سؤالات رفتاری (Practice Behavioral Questions)

Part 10-Module 01-Lesson 02

تمرین سؤالات رفتاری یکی از مراحل مهم در فرآیند مصاحبه شغلی است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای تمرین و پاسخگویی به سؤالات رفتاری آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه پاسخگویی به سؤالات رفتاری تقویت کنند و بتوانند به طور موثر در فرآیند مصاحبه شغلی موفق شوند.

تمرین مصاحبه (Interview Practice)

Part 10-Module 01-Lesson 05

تمرین مصاحبه یکی از مراحل مهم در فرآیند مصاحبه شغلی است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای تمرین و آماده سازی برای مصاحبه های شغلی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه تمرین مصاحبه تقویت کنند و بتوانند به طور موثر در فرآیند مصاحبه شغلی موفق شوند.

معرفی و کارایی (Introduction And Efficiency)

Part 10-Module 02-Lesson 01

در این ویدیو، دانشجویان با مفاهیم و تکنیک های مختلف معرفی و کارایی در الگوریتم های یادگیری ماشین آشنا می شوند. این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم معرفی و کارایی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

مجموعه های مبتنی بر لیست (List-Based Collections)

Part 10-Module 02-Lesson 02

مجموعه های مبتنی بر لیست یکی از تکنیک های متداول در یادگیری ماشین است که برای ذخیره و پردازش داده ها استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی مجموعه های مبتنی بر لیست آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم مجموعه های مبتنی بر لیست را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

جستجو و مرتب سازی (Searching And Sorting)

Part 10-Module 02-Lesson 03

جستجو و مرتب سازی دو تکنیک مهم در الگوریتم های یادگیری ماشین هستند که برای بهینه سازی و تسریع فرآیند پردازش داده ها استفاده می شوند. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی جستجو و مرتب سازی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم جستجو و مرتب سازی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

نقشه ها و هشینگ (Maps And Hashing)

Part 10-Module 02-Lesson 04

نقشه ها و هشینگ دو تکنیک مهم در الگوریتم های یادگیری ماشین هستند که برای ذخیره و پردازش داده ها استفاده می شوند. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی نقشه ها و هشینگ آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم نقشه ها و هشینگ را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

درخت ها (Trees)

Part 10-Module 02-Lesson 05

درخت ها یکی از ساختارهای داده ای مهم در الگوریتم های یادگیری ماشین هستند که برای ذخیره و پردازش داده ها استفاده می شوند. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی درخت ها آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم درخت ها را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

گراف ها (Graphs)

Part 10-Module 02-Lesson 06

گراف ها یکی از ساختارهای داده ای مهم در الگوریتم های یادگیری ماشین هستند که برای ذخیره و پردازش داده ها استفاده می شوند. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی گراف ها آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم گراف ها را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

مصاحبه فنی – پایتون (Technical Interview – Python)

Part 10-Module 02-Lesson 08

مصاحبه فنی یکی از مراحل مهم در فرآیند یافتن شغل است. در این ویدیو، دانشجویان با نکات و تکنیک های موثر برای موفقیت در مصاحبه های فنی با محوریت پایتون آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مهارت های خود را در زمینه مصاحبه های فنی تقویت کنند و بتوانند به طور موثر در مصاحبه های فنی موفق شوند.

مقدمه ای بر TensorFlow (Intro To TensorFlow)

Part 11-Module 02-Lesson 01

TensorFlow یکی از کتابخانه های مهم و پرکاربرد در یادگیری عمیق است که برای پیاده سازی و آموزش مدل های یادگیری ماشین استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی TensorFlow آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم TensorFlow را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

مقدمه ای بر شبکه های عصبی (Intro To Neural Networks)

Part 11-Module 03-Lesson 01

شبکه های عصبی یکی از تکنیک های اصلی در یادگیری عمیق است که برای حل مسائل پیچیده یادگیری ماشین استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی شبکه های عصبی آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم شبکه های عصبی را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

شبکه های عصبی عمیق (Deep Neural Networks)

Part 11-Module 04-Lesson 01

شبکه های عصبی عمیق یکی از تکنیک های پیشرفته در یادگیری عمیق است که برای حل مسائل پیچیده یادگیری ماشین استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی شبکه های عصبی عمیق آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم شبکه های عصبی عمیق را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

شبکه های عصبی کانولوشن (Convolutional Neural Networks)

Part 11-Module 05-Lesson 01

شبکه های عصبی کانولوشن یکی از تکنیک های پیشرفته در یادگیری عمیق است که برای پردازش تصاویر و داده های بصری استفاده می شود. در این ویدیو، دانشجویان با مفاهیم و نحوه پیاده سازی شبکه های عصبی کانولوشن آشنا می شوند.

این بخش شامل مثال ها و تمرین های عملی است که به دانشجویان کمک می کند تا مفاهیم شبکه های عصبی کانولوشن را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند.

خلاصه

دوره “مهندسی یادگیری ماشین” که توسط یوداسیتی ارائه شده است، مجموعه ای جامع از ویدیوهای آموزشی را شامل می شود که هر یک به مباحث کلیدی و مهارت های عملی مورد نیاز برای کار در حوزه یادگیری ماشین می پردازند. این دوره شامل پروژه های عملی و تمرین های کاربردی است که به دانشجویان کمک می کند تا مفاهیم پیچیده را به صورت عملی درک کنند و بتوانند از این تکنیک ها در پروژه های خود استفاده نمایند. با گذراندن این دوره، دانشجویان می توانند مهارت های خود را در زمینه یادگیری ماشین تقویت کنند و آماده ورود به بازار کار شوند.