منابع فارسی برای یادگیری داده‌کاوی، یادگیری ماشین و یادگیری عمیق(نقشه راه)

منابع فارسی برای یادگیری داده‌کاوی، یادگیری ماشین و یادگیری عمیق(نقشه راه)


تعاریف زیادی برای هوش مصنوعی وجود دارد که متناسب با کاربرد و انتظارات کاربران معمولا به چهار دسته کلی تقسیم می‌شوند. اما تعریف ما اینجا مختصرا “ساخت ماشین به منظور تصمیم‌گیری و کشف دانش همچون انسان متخصص یا فراتر از آن” است.هدف این مقاله معرفی منابع مفید به زبان فارسی برای علاقه‌مندان یادگیری حوزه‌های هوش‌مصنوعی به خصوص داده‌کاوی، یادگیری ماشین و یادگیری ژرف(یادگیری عمیق) است. سعی شده نقشه راهی هم ارايه شود تا علاقه‌مندان بتوانند به راحتی در این مسیر گام بردارند.پیش نیاز: اولین و مهم‌ترین پیش نیاز داشتن دانش هر چند ابتدایی در مورد مفاهیم کلی برنامه‌نویسی و اندکی آشنایی به یک زبان سطح بالا در ابتدای مسیر است. زبان‌های python، R و Matlab مهم‌ترین ابزارها هستند. ولی تجربه شخصی افراد گویای اهمیت و توانایی زبان python است. همچنین داشتن دانش ابتدایی و در حد دبیرستان از جبر خطی و آمار و احتمال کافیست.سطح ابتداییقدم اول: آشنایی با برنامه‌نویسییکی از قدیمی‌ترین و مفیدترین وبسایت‌ها برای علاقه‌مندان به دانش کامپیوتر سکان آکادمی است. این وب‌سایت در کنار مطالب مفید قسمتی با عنوان ‌آموزش دارد. پیشنهاد می‌شود درس آموزش برنامه نویسی و ۹۷ چیزی که هر برنامه‌نویسی باید بداند مرور شود.قدم دوم: آشنایی با زبان برنامه‌نویسی پایتونپایتون بی‌شک یکی از مهم‌ترین و قوی‌ترین زبان‌های برنامه‌نویسی عصر حاضر است که کمتر علاقه‌مندی به علوم کامپیوتر می‌توان یافت که آشنایی با python نداشته باشد. سپس انتظار می‌رود منابع بسیاری برای آموزش این زبان توسعه یافته باشد. یکی از این منابع آموزش پایتون سکان آکادمی و آموزش پایتون مقدماتیتوسط جادی میرمیرانی است که چهار فصل اول این دوره برای این هدف کافیست.قدم سوم: آشنایی مقدماتی با هوش مصنوعییکی از بهترین منابع فارسی برای آشنایی مقدماتی با یادگیری ماشین و داده‌کاوی وب سایت چیستیو است. پیشنهاد میشود این وب سایت به شکل موازی با قدم دو یعنی آشنایی با زبان برنامه‌نویسی پایتون شروع شود.بعد گذراندن این مقدمات شما دانش کافی برای شروع مطالعات و دروس یادگیری ماشین و داده‌کاوی دارید.سطح متوسطقدم چهارم: کلاس‌های دانشگاهیدو کلاس مهم در وب‌سایت مکتبخونه موجود است، که می‌توان به شکل موازی با هم در برنامه هفتگی گنجاند. اولین درس تدریس داده‌کاوی توسط دکتر محمد پورزعفرانیدر دانشگاه اصفهان و درس یادگیری ماشین توسط خانم دکتر محمد پورزعفرانی در دانشگاه صنعتی شریف است. هرچند کیفیت صدا و تصویر این دو درس مناسب نیست ولی میتوان با صبر و حوصله مباحث مهم را انتخاب و از سایر قسمت‌ها عبور کرد.(می‌توانید سرعت تماشا ویدیو را متناسب با مفاهیم کلاس تنظیم کنید.)قدم پنجم: به روز بودندو وبسایت برای به روز بودن دانش شما مفید است. یکی بخش هوش‌مصنوعی وبسایت فرادرس و دیگری وبسایت deeplearning.ir با همین آدرس. این مرحله باید به شکل موازی با قدم چهارم پیش رود.سطح پیشرفتهقدم ششم: یادگیری پروژه‌های آکادمیکدر این مرحله علاقه‌مندان باید به شکل عملی وارد پروژه‌های آکادمیک شوند.(hand-on) میتوان برای یادگیری پروژه‌های عملی و آشنایی با مراحل کدزنی دوره‌ها از ویدیو‌ها و مطالب وبسایت آقای دکتر رضوی از دانشگاه تبریز استفاده کرد.همچنین آشنایی با کتابخانه‌های پایتون مانند درس آموزش کار با کتابخانه های NumPy و Matplotlib در پایتون توسط میترا تجربه کار در وبسایت فرادرس مفید باشد.قدم هفتم: تعریف پروژه برای یادگیریدر این مرحله انتظار می‌رود یکی از ایده‌هایی هوش‌مصنوعی را پیاده کنید. برای این امر وجود داده مهم‌ترین عامل در موفقیت شماست وبسایت هایی زیادی داده‌هایی آماده و در اختیار کاربران قرار می‌دهند که در مقاله‌ای دیگر به آن پرداخته خواهد شد. هدف این است با استفاده از دانش به دست آمده از مراحل قبلی و جست‌و جو در اینترنت(به خصوص ویکی‌پدیا) بتوان پروژه‌ای را به ثمر رساند.قدم هشتم: انجام پروژه واقعیتجربه عامل موفقیت بسیاری از مهندسان این رشته است، پس از گذراندن این مراحل وقت اجرا پروژهای واقعی‌تر و اصطلاحا صنعتی است. برای شروع کار،پروژه های فریلنسری در وب‌سایت‌های فریلنسیری ایرانی همچون پونیشا مفید است.پرهام حسنی 🙂

منبع

Author: admin

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *