نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
یادگیری ماشین در حال تغییر جهان است و در هسته اصلی یادگیری ماشین مدل های آماری پیشرفته ای وجود دارد. با استفاده از این دوره ، شما می دانید که چگونه برای مشکلات موجود در کار شما یک برنامه ML ایجاد کنید و اساس آن را درک کنید. وقتی به هسته یادگیری ماشین نگاه می کنید ، مدل های آماری پیشرفته وجود دارد. در این دوره ، تفسیر داده ها با مدل های پیشرفته آماری ، شما توانایی درک موثر نحوه ایجاد یک برنامه کاربردی ML را خواهید داشت که می تواند مشکلاتی را که در کار شما ایجاد می شود ، متحول کند. ابتدا ، اصول یادگیری ماشین را یاد خواهید گرفت. در مرحله بعد ، شما رگرسیون خطی را با الگوی کلی تر کشف خواهید کرد ، و به چندین ویژگی و چند جمله ای گسترش می یابد. در ادامه ، شما نحوه طبقه بندی با استفاده از Logistic Regression ، SVMs و روشهای بیزی را کشف خواهید کرد. سرانجام ، شما الگوهای ذاتی داده ها را با تکنیک های بدون نظارت مانند K Means و PCA خواهید آموخت. وقتی این دوره را به پایان رسانید ، مهارت و دانش یادگیری ماشین را برای استفاده از آن در یک برنامه دنیای واقعی خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
شروع با یادگیری ماشین
Getting Started with Machine Learning
-
شروع به یادگیری ماشین می کنید؟
Getting Started with Machine Learning?
-
یادگیری بدون نظارت: نمی خواهم چیزی را از دست بدهم!
Unsupervised Learning: I Don’t Wanna Miss a Thing!
-
یادگیری تحت نظارت: وقتی از تاریخ یاد می گیریم
Supervised Learning: When We Learn from History
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
یافتن آن مدل ها
Finding Those Models
-
چگونه در یادگیری ماشین یاد بگیریم؟ توابع هزینه!
How to Learn in Machine Learning? Cost Functions!
-
پیدا کردن حداقلها: GD و SGD
Finding the Minima: GD and SGD
-
سریعتر ساختن چیزها: مقیاس بندی ویژه و نرخ یادگیری
Making Things Faster: Feature Scaling and Learning Rates
-
چگونه همه جا متناسب است: بازگشت به مدل!
How It All Fits: Going Back to the Model!
-
نسخه ی نمایشی: اجرای GD و SGD
Demo: Implementing GD and SGD
-
خلاصه
Summary
پیش بینی روابط خطی با رگرسیون
Predicting Linear Relationships with Regression
-
بازگشت به مبانی: بازگشت خطی دوباره
Back to the Basics: Linear Regression Again
-
بهینه سازی Hyperparameter: مجموعه های آموزش/توسعه/آزمایش
Hyperparameter Optimization: Train/Dev/Test Sets
-
نسخه ی نمایشی: رگرسیون خطی ساده را انجام دهید
Demo: Perform Simple Linear Regression
-
اگر متغیرهای بیشتری بخواهم چه می کنم؟ رگرسیون چندگانه برای نجات!
What if I Want More Variables? Multiple Regression to the Rescue!
-
نسخه ی نمایشی: رگرسیون خطی چندگانه را انجام دهید
Demo: Perform Multiple Linear Regression
-
آنچه هیچکس درباره آن صحبت نمی کند: فرضیات
What No One Talks About: Assumptions
-
نسخه ی نمایشی: یک مدل رگرسیون را ارزیابی کنید
Demo: Evaluate a Regression Model
-
خلاصه
Summary
درک مدلهای رگرسیون در عمق
Understanding Regression Models in Depth
-
رگرسیون غیرخطی: ویژگی های چند جمله ای
Non-linear Regression: Polynomial Features
-
نصب بیش از حد: یک مسئولیت بزرگ یک قاعده مند سازی عالی را نشان می دهد
Overfitting: A Great Responsibility Conveys a Great Regularization
-
نسخه ی نمایشی: رگرسیون خطی با منظم سازی
Demo: Linear Regression with Regularization
-
نسخه ی نمایشی: انجام رگرسیون چند جمله ای
Demo: Perform Polynomial Regression
-
Outriers Strike Again: Spline Regression as Local Regressor
Outliers Strike Again: Spline Regression as Local Regressor
-
نسخه ی نمایشی: یک رگرسیون Spline را انجام دهید
Demo: Perform a Spline Regression
-
انتخاب مدل: بگذارید ساده ترین مدل برنده شود
Model Selection: Let the Simplest Model Win
-
نسخه ی نمایشی: مقایسه مدل ها
Demo: Comparing Models
-
خلاصه
Summary
مشکل طبقه بندی صحیح
The Problem of Correct Classification
-
مرز چگونه به نظر می رسد؟
What Does the Boundary Look Like?
-
اگر نیاز به طبقه بندی دارید ، ستاره: رگرسیون لجستیک را در عمق امتحان کنید!
If You Need to Classify, Try the Star: Logistic Regression in Depth!
-
نسخه ی نمایشی: طبقه بندی با رگرسیون لجستیک
Demo: Classify with Logistic Regression
-
طبقه بندی چند دسته: طبقه بندی یک در مقابل همه
Classify Multiple Categories: One vs. All Classification
-
نسخه ی نمایشی: طبقه بندی چند کلاسه با رگرسیون لجستیک چند جمله ای
Demo: Multiclass Classification with Multinomial Logistic Regression
-
خلاصه
Summary
حاشیه بزرگ و طبقه بندی بیزی
Large Margin and Bayesian Classification
-
حداکثر رساندن اطلاعات واقعی: حمله بیزی!
Maximizing the Actual Information: Bayesian Attack!
-
نسخه ی نمایشی: طبقه بندی هدف چند برچسب با Naive Bayes
Demo: Multilabel Intent Classification with Naive Bayes
-
طبقه بندی حاشیه بزرگ: دور از دسترس!
Large Margin Classification: Outliers!
-
عبور از مرزهای خطی به موارد غیرخطی: ترفند هسته
Passing from Linear Boundaries to Nonlinear Ones: Kernel Trick
-
نسخه ی نمایشی: Iris را با SVM طبقه بندی کنید
Demo: Classify Iris with SVM
-
خلاصه
Summary
هنر ظریف عدم نیاز به برچسب: یادگیری بدون نظارت
The Subtle Art of Not Needing Labels: Unsupervised Learning
-
ماتریس فاصله و کوواریانس
Distance and Covariance Matrices
-
خوشه بندی: سلسله مراتبی و غیر سلسله مراتبی
Clustering: Hierarchical and Non-hierarchical
-
فشرده سازی: PCA و CA
Compression: PCA and CA
-
نسخه ی نمایشی: PCA را انجام دهید
Demo: Perform PCA
-
نسخه ی نمایشی: سرطان پستان در یک نگاه
Demo: Breast Cancer at a Glance
-
خلاصه
Summary
نمایش نظرات