یادگیری ماشینی در سال 1959 توسط آرتور ساموئل به عنوان "رشته تحصیلی که به کامپیوتر توانایی یادگیری بدون برنامه ریزی صریح را می دهد" تعریف شد. هدف برنامه EITC/AI/MLPP یادگیری ماشین با برنامه پایتون معرفی اصول یادگیری ماشین (از جمله درک اساسی تئوری) با تمرکز بر برنامه نویسی با پایتون است. به جز تئوری ، این برنامه ها شامل جنبه های نظری و عملی الگوریتم های یادگیری ماشین تحت نظارت ، بدون نظارت و یادگیری عمیق را پوشش می دهد. این برنامه شامل رگرسیون خطی ، K نزدیکترین همسایگان ، ماشین های بردار پشتیبانی (SVM) ، خوشه بندی مسطح ، خوشه بندی سلسله مراتبی و شبکه های عصبی است. این شامل مفاهیم اساسی الگوریتم های درگیر و منطق موجود در آن است. همچنین بحث در مورد کاربردهای الگوریتم ها در برنامه نویسی با استفاده از مجموعه داده های واقعی واقعی همراه با ماژول ها (به عنوان مثال Scikit-Learn) را پوشش می دهد. این برنامه همچنین با پیاده سازی این الگوریتم ها در کد ، جزئیات هر یک از الگوریتم ها را شامل خواهد شد ، از جمله ریاضیات درگیر با بینش در مورد چگونگی دقیق کارکرد الگوریتم ها ، نحوه اصلاح آنها و ویژگی های آنها از جمله مزایا و معایب. الگوریتم های درگیر در یادگیری ماشین بسیار ساده هستند (به شرطی که ضرورت مقیاس آنها برای مجموعه داده های بزرگ شرطی باشد) ، و همچنین ریاضیاتی که مبتنی بر آنها هستند (جبر خطی).
منابع مرجع برنامه درسی
اسناد پایتون
https://www.python.org/doc/
پایتون بارگیری ها را آزاد می کند
https://www.python.org/downloads/
راهنمای Python for Beginners
https://www.python.org/about/gettingstarted/
راهنمای مبتدیان ویکی پایتون
https://wiki.python.org/moin/BeginnersGuide
آموزش یادگیری ماشین پایتون W3Schools
https://www.w3schools.com/python/python_ml_getting_started.asp
دانلود کامل مطالب آماده سازی خودآموز آفلاین برای برنامه یادگیری ماشینی EITC/AI/MLP با پایتون در یک فایل PDF