آموزش پیش‌نیازهای یادگیری عمیق: رگرسیون لجستیک در پایتون - آخرین آپدیت

سرفصل ها و درس ها

شروع Start Here

• مقدمه و سرفصل‌ها Introduction and Outline

• چگونه در این دوره موفق شویم How to Succeed in this Course

• آمار در برابر یادگیری ماشین Statistics vs. Machine Learning

• مرور مسئله طبقه‌بندی Review of the classification problem

• مقدمه‌ای بر پروژه درسی تجارت الکترونیک Introduction to the E-Commerce Course Project

مبانی: طبقه‌بندی خطی چیست؟ چه ارتباطی با شبکه‌های عصبی دارد؟ Basics: What is linear classification? What's the relation to neural networks?

• طبقه‌بندی خطی Linear Classification

• الهام زیستی - نورون Biological inspiration - the neuron

• چگونه خروجی یک نورون/طبقه‌بند لجستیک را محاسبه کنیم؟ - تئوری How do we calculate the output of a neuron / logistic classifier? - Theory

• چگونه خروجی یک نورون/طبقه‌بند لجستیک را محاسبه کنیم؟ - کد How do we calculate the output of a neuron / logistic classifier? - Code

• تفسیر خروجی رگرسیون لجستیک Interpretation of Logistic Regression Output

• پروژه درسی تجارت الکترونیک: پیش‌پردازش داده‌ها E-Commerce Course Project: Pre-Processing the Data

• پروژه درسی تجارت الکترونیک: انجام پیش‌بینی‌ها E-Commerce Course Project: Making Predictions

• آزمون پیش‌خور Feedforward Quiz

• خلاصه بخش پیش‌بینی Prediction Section Summary

• صندوق پیشنهادات Suggestion Box

یافتن وزن‌های بهینه Solving for the optimal weights

• مقدمه بخش آموزش Training Section Introduction

• یک راه‌حل فرم بسته برای طبقه‌بند بیز A closed-form solution to the Bayes classifier

• این نمادها به چه معنا هستند؟ X, Y, N, D, L, J, P(Y=1|X) و غیره What do all these symbols mean? X, Y, N, D, L, J, P(Y=1|X), etc.

• تابع خطای کراس‌انتروپی - تئوری The cross-entropy error function - Theory

• تابع خطای کراس‌انتروپی - کد The cross-entropy error function - Code

• تجسم تفکیک‌کننده خطی / طبقه‌بند بیز / ابرهای گوسی Visualizing the linear discriminant / Bayes classifier / Gaussian clouds

• بیشینه‌سازی درست‌نمایی Maximizing the likelihood

• به‌روزرسانی وزن‌ها با گرادیان کاهشی - تئوری Updating the weights using gradient descent - Theory

• به‌روزرسانی وزن‌ها با گرادیان کاهشی - کد Updating the weights using gradient descent - Code

• پروژه درسی تجارت الکترونیک: آموزش مدل لجستیک E-Commerce Course Project: Training the Logistic Model

• خلاصه بخش آموزش Training Section Summary

ملاحظات عملی Practical concerns

• مقدمه بخش عملی Practical Section Introduction

• تفسیر وزن‌ها Interpreting the Weights

• رگولاریزاسیون L2 - تئوری L2 Regularization - Theory

• رگولاریزاسیون L2 - کد L2 Regularization - Code

• رگولاریزاسیون L1 - تئوری L1 Regularization - Theory

• رگولاریزاسیون L1 - کد L1 Regularization - Code

• رگولاریزاسیون L1 در برابر L2 L1 vs L2 Regularization

• مسئله دونات The donut problem

• مسئله XOR The XOR problem

• چرا تقسیم بر جذر D؟ Why Divide by Square Root of D?

• خلاصه بخش عملی Practical Section Summary

نقطه بازرسی و کاربردها: چگونه از تسلط خود اطمینان یابید Checkpoint and applications: How to make sure you know your stuff

• پاداش: تحلیل احساسات BONUS: Sentiment Analysis

• پاداش: تمرینات + چگونه در این زمینه ماهر شوید BONUS: Exercises + how to get good at this

پروژه: تشخیص حالات چهره Project: Facial Expression Recognition

• مقدمه پروژه تشخیص حالات چهره Facial Expression Recognition Project Introduction

• توضیح مسئله تشخیص حالات چهره Facial Expression Recognition Problem Description

• مسئله عدم تعادل کلاس‌ها The class imbalance problem

• مرور ابزارهای کمکی Utilities walkthrough

• تشخیص حالات چهره در کد Facial Expression Recognition in Code

• خلاصه پروژه تشخیص حالات چهره Facial Expression Recognition Project Summary

مرور پیش‌نیازها Background Review

• آموزش گرادیان کاهشی Gradient Descent Tutorial

پیوست / مقدمه سوالات متداول Appendix / FAQ Intro

• پیوست چیست؟ What is the Appendix?

راه‌اندازی محیط شما (سوالات متداول به درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

• بررسی پیش از نصب Pre-Installation Check

• راه‌اندازی محیط آناکوندا Anaconda Environment Setup

• چگونه Numpy, Scipy, Matplotlib, Pandas, IPython, Theano و TensorFlow را نصب کنیم How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

کمک اضافی برای کدنویسی پایتون برای مبتدیان (سوالات متداول به درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

• چگونه یک فایل .tar.gz را از حالت فشرده خارج کنیم How to Uncompress a .tar.gz file

• چگونه خودتان کدنویسی کنید (بخش ۱) How to Code by Yourself (part 1)

• چگونه خودتان کدنویسی کنید (بخش ۲) How to Code by Yourself (part 2)

• اثبات اینکه استفاده از ژوپیتر نوت‌بوک تفاوتی با عدم استفاده از آن ندارد Proof that using Jupyter Notebook is the same as not using it

• پایتون ۲ در برابر پایتون ۳ Python 2 vs Python 3

استراتژی‌های یادگیری موثر برای یادگیری ماشین (سوالات متداول به درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

• چگونه در این دوره موفق شویم (نسخه کامل) How to Succeed in this Course (Long Version)

• آیا این برای مبتدیان است یا متخصصان؟ آکادمیک یا عملی؟ پرشتاب یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

• نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی (قسمت ۱) Machine Learning and AI Prerequisite Roadmap (pt 1)

• نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی (قسمت ۲) Machine Learning and AI Prerequisite Roadmap (pt 2)

پیوست / جمع‌بندی سوالات متداول Appendix / FAQ Finale

• پاداش BONUS