لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ریاضی 0-1 - حساب ماتریس در علم داده و یادگیری ماشین [ویدئو]
Math 0-1 - Matrix Calculus in Data Science and Machine Learning [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره با مقدمه ای بر مفاهیم کلیدی شروع می شود و نقشه راه موفقیت در این زمینه را ترسیم می کند. شما با درک عناصر بنیادی مشتقات ماتریس و برداری، کاوش در موضوعاتی مانند اشکال خطی و درجه دوم، قوانین زنجیره ای به شکل ماتریس، و مشتق عوامل تعیین کننده شروع خواهید کرد. هر مفهوم با تمرینات، از چالش های درجه دوم تا حداقل مربعات و روش های گاوسی تقویت می شود.
این دوره به سمت تکنیک های بهینه سازی ضروری در علم داده و یادگیری ماشین پیشرفت می کند. در تستهای مشتق دوم چند بعدی، نزول گرادیان در یک بعد چندگانه و روش نیوتن، از جمله تمرینهای عملی در روش نیوتن برای حداقل مربعها، بپردازید. تمرکز اضافی بر روی تنظیم محیط خود تنظیم شده است، جایی که شما یاد خواهید گرفت که یک محیط Anaconda ایجاد کنید و ابزارهای مهمی مانند Numpy، Scipy و TensorFlow را نصب کنید. این دوره همچنین به استراتژیهای یادگیری مؤثر میپردازد، به سؤالات محوری مانند مناسب بودن YouTube برای یادگیری حساب دیفرانسیل و انتگرال و ترتیب توصیهشده برای گذراندن دورههای آموزشی در این زمینه پاسخ میدهد.
همانطور که در طول دوره سفر می کنید، از مفاهیم پایه به برنامه های کاربردی پیشرفته تبدیل می شوید و خود را به مهارت های مورد نیاز برای برتری در علم داده و یادگیری ماشین مجهز می کنید. مشتقات ماتریسی و برداری را درک کنید
تسلط بر فرم های خطی و درجه دوم
قانون زنجیره را در حساب ماتریسی اعمال کنید
حل مسائل بهینه سازی با استفاده از گرادیان نزول و روش نیوتن
محیط آناکوندا را برای یادگیری ماشینی تنظیم کنید
کتابخانه های کلیدی مانند Numpy و TensorFlow را نصب و استفاده کنید
توسعه استراتژی های موثر برای یادگیری حساب دیفرانسیل و انتگرال در علم داده این دوره برای دانش آموزان و متخصصانی که مشتاق یادگیری ریاضیات پشت هوش مصنوعی، علم داده و یادگیری ماشین هستند، مناسب است، که برای تعمیق دانش در این زمینه های فناوری پیشرفته ایده آل است.
زبان آموزان باید دانش پایه ای از جبر خطی، حساب دیفرانسیل و انتگرال و برنامه نویسی پایتون داشته باشند تا به طور موثر حساب ماتریسی را درک کنند. علاقه شدید و اشتیاق برای کاوش در این موضوع پیچیده نیز برای یک تجربه یادگیری کامل ضروری است. پوشش جامع حساب ماتریسی و کاربردهای آن در یادگیری ماشین. * راهنمایی دقیق در مورد راه اندازی یک محیط آموزشی با ابزارها و کتابخانه های ضروری. * استراتژیهای یادگیری متناسب با مبتدیان و فراگیران پیشرفته در این زمینه.
سرفصل ها و درس ها
معرفی
Introduction
مقدمه 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 ماتریسی و برداری
Matrix and Vector Derivatives
مشتقات - مقدمه بخش
Derivatives - Section Introduction
فرم خطی
Linear Form
فرم درجه دوم (نقطه 1)
Quadratic Form (pt 1)
فرم درجه دوم (نقطه 2)
Quadratic Form (pt 2)
تمرین: درجه دوم
Exercise: Quadratic
تمرین: حداقل مربعات
Exercise: Least Squares
تمرین: گاوسی
Exercise: Gaussian
قاعده زنجیره ای
Chain Rule
قانون زنجیره ای در فرم ماتریس
Chain Rule in Matrix Form
قانون زنجیره تعمیم یافته است
Chain Rule Generalized
تمرین: درجه دوم با محدودیت
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
صندوق پیشنهادات
Suggestion Box
تکنیک های بهینه سازی
Optimization Techniques
بهینه سازی - بخش مقدمه
Optimization - Section Introduction
آزمون مشتق دوم در ابعاد چندگانه
Second Derivative Test in Multiple Dimensions
روش نیوتن (یک بعدی)
Newton's Method (One Dimension)
روش نیوتن (چند بعد)
Newton's Method (Multiple Dimensions)
تمرین: روش نیوتن برای حداقل مربعات
Exercise: Newton's Method for Least Squares
تمرین: تهیه کد
Exercise: Code Preparation
گرادیان نزول و روش نیوتن در پایتون
Gradient Descent and Newton's Method in Python
بهینه سازی - خلاصه بخش
Optimization - Section Summary
تنظیم محیط خود (ضمیمه/سوالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (Appendix/FAQ by Student Request)
تنظیم 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
راهبردهای یادگیری مؤثر (ضمیمه/سوالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies (Appendix/FAQ by Student Request)
آیا یوتیوب می تواند حساب دیفرانسیل و انتگرال را به من بیاموزد؟ (اختیاری)
Can YouTube Teach Me Calculus? (Optional)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
دوره های شما را به چه ترتیبی باید بگذرانم؟ (قسمت 1)
What order should I take your courses in? (part 1)
دوره های شما را به چه ترتیبی باید بگذرانم؟ (قسمت 2)
What order should I take your courses in? (part 2)
ضمیمه/سوالات متداول نهایی
Appendix / FAQ Finale
آپاندیس چیست؟
What is the Appendix?
جایزه
BONUS
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.
نمایش نظرات