هوش مصنوعی

نقشه راه یادگیری ماشین: از ریاضیات پایه تا اولین پروژه واقعی

DevNA | devna.ir
۱ از ۶

یادگیری ماشین از کجا؟

مسیری در پنج مرحله: پیش‌نیازها، کار با داده، الگوریتم‌های کلاسیک، یادگیری عمیق و در آخر پروژه و تخصص.

۲ از ۶

مرحله صفر: پایه

پایتون، جبر خطی مقدماتی، آمار و احتمال و مفهوم مشتق. لازم نیست ریاضیدان باشید؛ باید مفاهیم را بفهمید.

۳ از ۶

داده، قبل از مدل

NumPy و pandas را یاد بگیرید. بخش بزرگی از کار واقعی، تمیز کردن و فهمیدن داده است، نه انتخاب الگوریتم.

۴ از ۶

الگوریتم‌های کلاسیک

رگرسیون، درخت تصمیم، جنگل تصادفی و خوشه‌بندی با scikit-learn. ارزیابی درست را همین‌جا یاد می‌گیرید.

۵ از ۶

یادگیری عمیق و تخصص

شبکه عصبی با PyTorch، سپس یک شاخه: پردازش زبان، بینایی ماشین یا MLOps. پروژه واقعی، بهترین رزومه است.

۶ از ۶

اولین مدل را بسازید

در راهنمای DevNA با کمتر از ۳۰ خط پایتون اولین مدل طبقه‌بندی را می‌سازید و با مدل پایه مقایسه می‌کنید.

ماجرای کامل را در DevNA بخوانید

نقشه راه یادگیری ماشین قدم‌به‌قدم: پیش‌نیاز ریاضی و پایتون، الگوریتم‌های کلاسیک، یادگیری عمیق و منابع رایگان؛ همراه با ساخت اولین مدل در scikit-learn.

خواندن مطلب کامل