کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش ریاضیات 0-1: حساب ماتریسی در علم داده و یادگیری ماشین - آخرین آپدیت

دانلود Math 0-1: Matrix Calculus in Data Science & Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش جامع محاسبات ماتریسی برای هوش مصنوعی، یادگیری عمیق و برنامه نویسان پایتون

این راهنمای جامع به شما کمک می‌کند تا مفاهیم محاسبات ماتریسی را برای استفاده در حوزه‌های هوش مصنوعی، یادگیری عمیق و برنامه نویسی پایتون به طور کامل فرا بگیرید. در این دوره، با مباحث کلیدی زیر آشنا خواهید شد:

  • مشتق گیری از ماتریس‌ها و بردارهای فرم‌های خطی و درجه دو
  • حل مسائل رایج بهینه سازی (کمترین مربعات، گاوسی، سبد سهام مالی)
  • درک و پیاده سازی الگوریتم‌های گرادیان کاهشی و روش نیوتن
  • آموزش استفاده از کتابچه راهنمای ماتریس‌ها (Matrix Cookbook)

پیش نیازها: آشنایی با حساب دیفرانسیل و انتگرال و جبر خطی

اختیاری: آشنایی با پایتون، نامپای و متپلات‌لیب برای پیاده سازی تکنیک‌های بهینه سازی

به دنیای هیجان انگیز محاسبات ماتریسی خوش آمدید! این ابزار اساسی برای درک و حل مسائل در یادگیری ماشین و علم داده است. در این دوره، به ریاضیات قدرتمندی که زیربنای بسیاری از الگوریتم‌ها و تکنیک‌های مورد استفاده در این زمینه‌ها است، خواهیم پرداخت. در پایان این دوره، دانش و مهارت‌های لازم برای پیمایش در چشم انداز پیچیده مشتقات، گرادیان‌ها و بهینه‌سازی‌های شامل ماتریس‌ها را خواهید داشت.

اهداف دوره:

  • درک مبانی محاسبات ماتریسی، فرم‌های خطی و درجه دو و مشتقات آن‌ها.
  • یادگیری نحوه استفاده از کتابچه راهنمای ماتریس‌ها برای طیف گسترده‌ای از عملیات محاسبات ماتریسی.
  • کسب مهارت در تکنیک‌های بهینه سازی مانند گرادیان کاهشی و روش نیوتن در یک بعد و چند بعد.
  • به کارگیری مفاهیم آموخته شده در مسائل دنیای واقعی در یادگیری ماشین و علم داده، با تمرین‌های عملی و مثال‌های کد پایتون.

چرا محاسبات ماتریسی؟ محاسبات ماتریسی زبان یادگیری ماشین و علم داده است. در این زمینه‌ها، ما اغلب با داده‌های با ابعاد بالا کار می‌کنیم و ماتریس‌ها و مشتقات آن‌ها را به یک نمایش طبیعی برای مسائل خود تبدیل می‌کنیم. درک محاسبات ماتریسی برای توسعه و تجزیه و تحلیل الگوریتم‌ها، ساخت مدل‌های پیش‌بینی‌کننده و درک حجم عظیمی از داده‌ها در اختیار ما بسیار مهم است.

بخش 1: فرم‌های خطی و درجه دو در قسمت اول دوره، مبانی فرم‌های خطی و درجه دو و مشتقات آن‌ها را بررسی خواهیم کرد. فرم خطی در تمام اساسی‌ترین و محبوب‌ترین مدل‌های یادگیری ماشین، از جمله رگرسیون خطی، رگرسیون لجستیک، ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی عمیق ظاهر می‌شود. ما همچنین به فرم‌های درجه دو خواهیم پرداخت که برای درک مسائل بهینه سازی اساسی هستند و در رگرسیون، بهینه سازی سبد سهام در امور مالی، پردازش سیگنال و تئوری کنترل ظاهر می‌شوند.

کتابچه راهنمای ماتریس‌ها یک منبع ارزشمند است که طیف گسترده‌ای از فرمول‌های مشتق ماتریس را در یک مکان جمع‌آوری می‌کند. شما یاد خواهید گرفت که چگونه به طور موثر از این مرجع استفاده کنید، در وقت خود صرفه جویی کنید و از صحت مشتقات خود اطمینان حاصل کنید.

بخش 2: تکنیک‌های بهینه سازی بهینه سازی در قلب بسیاری از وظایف یادگیری ماشین و علم داده قرار دارد. در این بخش، دو روش بهینه سازی مهم را بررسی خواهیم کرد: گرادیان کاهشی و روش نیوتن. شما یاد خواهید گرفت که چگونه نه تنها در یک بعد، بلکه در فضاهای با ابعاد بالا نیز بهینه سازی کنید، که برای آموزش مدل‌های پیچیده ضروری است. ما مثال‌های کد پایتون را برای کمک به شما در درک پیاده سازی عملی این تکنیک‌ها ارائه خواهیم داد.

ساختار دوره:

  • هر سخنرانی شامل یک معرفی نظری به موضوع خواهد بود.
  • ما در مراحل مشتقات ریاضی مرتبط کار خواهیم کرد و توضیحات شهودی ارائه خواهیم داد.
  • تمرین‌های عملی به شما امکان می‌دهند آنچه را که آموخته‌اید در مسائل دنیای واقعی به کار ببرید.
  • مثال‌های کد پایتون به شما کمک می‌کنند تا مفاهیم را پیاده سازی و آزمایش کنید.
  • فرصت‌هایی برای پرسش و پاسخ و بحث برای تعمیق درک شما وجود خواهد داشت.

پیش نیازها:

  • دانش اولیه از جبر خطی، حساب دیفرانسیل و انتگرال و برنامه نویسی پایتون توصیه می‌شود.
  • تمایل شدید به یادگیری و کشف دنیای شگفت انگیز محاسبات ماتریسی.

نتیجه گیری: محاسبات ماتریسی یک ابزار ضروری در زمینه‌های یادگیری ماشین و علم داده است. این به شما این امکان را می‌دهد که الگوریتم‌هایی را که باعث نوآوری و تصمیم‌گیری در دنیای داده محور امروزی می‌شوند، درک، ایجاد و بهینه سازی کنید. این دوره شما را با دانش و مهارت‌های لازم برای پیمایش در دنیای پیچیده محاسبات ماتریسی مجهز می‌کند و شما را در مسیر تبدیل شدن به یک دانشمند داده یا مهندس یادگیری ماشین ماهر قرار می‌دهد. پس بیایید شیرجه بزنیم، دنیای ماتریس‌ها را در آغوش بگیریم و رازهای علم داده و یادگیری ماشین را با هم باز کنیم!

سرفصل ها و درس ها

مقدمه Introduction

  • معرفی و طرح کلی Introduction and Outline

  • چگونه در این دوره موفق شویم How to succeed in this course

  • کد را از کجا دریافت کنیم Where to get the code

مشتقات ماتریس و بردار Matrix and Vector Derivatives

  • مشتقات - مقدمه بخش Derivatives - Section Introduction

  • فرم خطی Linear Form

  • فرم درجه دوم (قسمت 1) Quadratic Form (pt 1)

  • فرم درجه دوم (قسمت 2) Quadratic Form (pt 2)

  • تمرین: درجه دوم Exercise: Quadratic

  • تمرین: حداقل مربعات Exercise: Least Squares

  • تمرین: گاوسی Exercise: Gaussian

  • قانون زنجیره ای Chain Rule

  • قانون زنجیره ای در فرم ماتریسی Chain Rule in Matrix Form

  • قانون زنجیره ای تعمیم یافته Chain Rule Generalized

  • تمرین: درجه دوم با محدودیت ها Exercise: Quadratic with Constraints

  • معکوس چپ و راست به عنوان مسائل بهینه سازی Left and Right Inverse as Optimization Problems

  • مشتق دترمینان Derivative of Determinant

  • مشتقات - خلاصه بخش Derivatives - Section Summary

  • جعبه پیشنهادات Suggestion Box

تکنیک های بهینه سازی Optimization Techniques

  • بهینه سازی - مقدمه بخش Optimization - Section Introduction

  • آزمون مشتق دوم در ابعاد چندگانه Second Derivative Test in Multiple Dimensions

  • نزول گرادیان (یک بعدی) Gradient Descent (One Dimension)

  • نزول گرادیان (ابعاد چندگانه) Gradient Descent (Multiple Dimensions)

  • روش نیوتن (یک بعدی) Newton's Method (One Dimension)

  • روش نیوتن (ابعاد چندگانه) Newton's Method (Multiple Dimensions)

  • تمرین: روش نیوتن برای حداقل مربعات Exercise: Newton's Method for Least Squares

  • تمرین: آماده سازی کد Exercise: Code Preparation

  • نزول گرادیان و روش نیوتن در پایتون Gradient Descent and Newton's Method in Python

  • بهینه سازی - خلاصه بخش Optimization - Section Summary

مقدمه پیوست / پرسش های متداول Appendix / FAQ Intro

  • پیوست چیست؟ What is the Appendix?

راه اندازی محیط خود (پیوست / پرسش های متداول به درخواست دانشجو) Setting Up Your Environment (Appendix/FAQ by Student Request)

  • بررسی قبل از نصب Pre-Installation Check

  • راه اندازی محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy, Scipy, Matplotlib, Pandas, IPython, Theano و TensorFlow How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

  • عیب یابی محل دریافت کد Where To Get the Code Troubleshooting

  • نحوه استفاده از Github و نکات اضافی کدنویسی (اختیاری) How to use Github & Extra Coding Tips (Optional)

استراتژی های موثر یادگیری (پیوست / پرسش های متداول به درخواست دانشجو) Effective Learning Strategies (Appendix/FAQ by Student Request)

  • ترتیب ریاضی برای یادگیری ماشین و علم داده Math Order for Machine Learning & Data Science

  • آیا یوتیوب می تواند حساب دیفرانسیل و انتگرال را به من آموزش دهد؟ (اختیاری) Can YouTube Teach Me Calculus? (Optional)

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

  • چه ترتیبی را باید در دوره های شما دنبال کنم؟ (قسمت 1) What order should I take your courses in? (part 1)

  • چه ترتیبی را باید در دوره های شما دنبال کنم؟ (قسمت 2) What order should I take your courses in? (part 2)

پایان پیوست / پرسش های متداول Appendix / FAQ Finale

  • پاداش BONUS

نمایش نظرات

آموزش ریاضیات 0-1: حساب ماتریسی در علم داده و یادگیری ماشین
جزییات دوره
7 hours
40
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,247
4.6 از 5
ندارد
دارد
دارد

https://donyad.com/d/0dd09f

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Inc. Lazy Programmer Inc.

امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.

Lazy Programmer Team Lazy Programmer Team

مهندس هوش مصنوعی و آموزش ماشین من فوق لیسانس خود را در رشته مهندسی کامپیوتر با تخصص یادگیری ماشین و تشخیص الگو دریافت کردم. تجربه شامل تبلیغات آنلاین و رسانه های دیجیتال به عنوان یک دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس کلان داده (ساخت خطوط پردازش داده). برخی از فناوری های داده بزرگ که من اغلب استفاده می کنم Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدلهای یادگیری عمیقی برای پیش بینی نرخ کلیک و رفتار کاربر و همچنین پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های توصیه از یادگیری تقویتی و فیلترینگ مشارکتی استفاده کرده است و ما نتایج را با استفاده از آزمایش A/B معتبر کرده ایم.