آموزش الگوریتم‌های یادگیری ماشین: یادگیری نظارت شده از صفر تا صد - آخرین آپدیت

طبقه‌بندی با استفاده از درخت تصمیم و k-NN Classification using Decision Trees and k-NN

• معرفی دوره Introduction to the Course

• یک طبقه‌بند در واقع چه کاری انجام می‌دهد؟ What does a classifier actually do?

• طبقه‌بندی در scikit-learn Classification in scikit-learn

• درخت‌های تصمیم چیستند؟ What are decision trees?

• تعمیم‌پذیری و بیش‌برازش (Overfitting) Generalization and overfitting

• طبقه‌بندی با استفاده از k-نزدیک‌ترین همسایه Classification using k-nearest neighbours

• معیارهای سنجش فاصله Distance measures

• جمع‌بندی هفته اول Weekly summary

توابع برای کاربرد و سودآوری Functions for Fun and Profit

• برازش خط (Line Fitting) Line-fitting

• برازش خط بهینه Optimal line-fitting

• تابع زیان و تحدب Loss and Convexity

• گرادینت کاهشی (Gradient Descent) Gradient Descent

• ویژگی‌های غیرخطی و پیچیدگی مدل Nonlinear features and model complexity

• تعادل بین بایاس و واریانس Bias and variance tradeoff

• منظم‌کننده‌ها (Regularizers) Regularizers

• تابع زیان برای طبقه‌بندی Loss for Classification

• جمع‌بندی هفته دوم Weekly summary

رگرسیون برای طبقه‌بندی: ماشین‌های بردار پشتیبان Regression for Classification: Support Vector Machines

• رگرسیون لجستیک Logistic Regression

• شبکه‌های عصبی Neural Networks

• زیان لولایی (Hinge Loss) Hinge Loss

• مبانی ماشین‌های بردار پشتیبان Basics of Support Vector Machines

• هسته‌ها (Kernels) Kernels

• جمع‌بندی هفته سوم Weekly Summary

مقایسه مدل‌ها Contrasting Models

• ارزیابی رگرسیون Regression assessment

• ارزیابی طبقه‌بندی Classification assessment

• منحنی‌های یادگیری Learning Curves

• تست کردن مدل‌ها Testing your models

• اعتبارسنجی متقاطع (Cross Validation) Cross validation

• تنظیم پارامترها و جستجوی شبکه‌ای (Grid Search) Parameter tuning and grid search

• پارامترهای مدل Model Parameters

• جمع‌بندی هفته چهارم Weekly Summary