مقدمة في التعلم الآلي العلمي

تقدّم هذه الدورة مقدمة في تحليلات البيانات للأشخاص الذين لا يمتلكون معرفة مسبقة بعلم البيانات أو التعلم الآلي. تبدأ الدورة بمراجعة موسعة لنظرية الاحتمالات بوصفها لغة عدم اليقين، ثم تناقش أساليب أخذ العينات مونت كارلو لنشر عدم اليقين عبر النماذج. كما تغطي أساسيات التعلم الخاضع للإشراف، بما في ذلك الانحدار الخطي البايزي المعمم، والانحدار اللوجستي، والعمليات الغاوسية، والشبكات العصبية العميقة، والشبكات العصبية الالتفافية. وتتناول أيضًا التعلم غير الخاضع للإشراف مثل تجميع k-means، وتحليل المكونات الرئيسية، والمخاليط الغاوسية، إضافة إلى نماذج فضاء الحالة مثل مرشحات كالمان. كما تستعرض الدورة أحدث ما توصل إليه التعلم العميق المدمج بالمبادئ الفيزيائية، وتختتم بمناقشة الاستدلال البايزي الآلي باستخدام البرمجة الاحتمالية، بما في ذلك سلاسل ماركوف مونت كارلو والأساليب التسلسلية. وتهدف الدورة إلى تمكين المتعلم من فهم كيفية تمثيل عدم اليقين، ونشره عبر النماذج الفيزيائية، وبناء نماذج جديدة تراعي المعلومات الفيزيائية والافتراضات السببية، ومعايرة النماذج المختلفة باستخدام البيانات.

• تمثيل عدم اليقين في المعلمات ضمن النماذج الهندسية أو العلمية باستخدام نظرية الاحتمالات
• نشر عدم اليقين عبر النماذج الفيزيائية لتقدير عدم اليقين الناتج في الكميات محل الاهتمام
• حل مهام التعلم الخاضع للإشراف الأساسية مثل الانحدار والتصنيف والترشيح
• حل مهام التعلم غير الخاضع للإشراف الأساسية مثل التجميع وتقليل الأبعاد وتقدير الكثافة
• إنشاء نماذج جديدة تتضمن المعلومات الفيزيائية والافتراضات السببية الأخرى
• معايرة النماذج المختلفة باستخدام البيانات

• معرفة عملية بحساب التفاضل والتكامل متعدد المتغيرات والجبر الخطي الأساسي
• معرفة أساسية بلغة بايثون