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

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

  • نزول گرادیان (چند ابعاد) Gradient Descent (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.

آموزش ریاضی 0-1 - حساب ماتریس در علم داده و یادگیری ماشین [ویدئو]
جزییات دوره
6 h 16 m
36
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Lazy Programmer

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.