یادگیری ماشینی A-Z: پشتیبانی از ماشین برداری با پایتون © [ویدئو]

سرفصل ها و درس ها

مقدمه دوره Introduction to Course

• مقدمه دوره Introduction to Course

• چرا یادگیری ماشین Why Machine Learning

• چرا از ماشین بردار پشتیبانی کنیم Why Support Vector Machine

• بررسی اجمالی دوره Course Overview

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• مقدمه ای بر یادگیری ماشینی، فرآیند یادگیری و یادگیری تحت نظارت Introduction to Machine Learning, Learning Process, and Supervised Learning

• یادگیری بدون نظارت و یادگیری تقویتی Unsupervised Learning and Reinforcement Learning

• تاریخچه و آینده یادگیری ماشینی History and Future of Machine Learning

• مجموعه داده، برچسب و ویژگی ها Dataset, Label, and Features

• داده‌های آموزشی، داده‌های آزمایشی و داده‌های پرت Training Data, Testing Data, and Outliers

• مدل Model

• مدل (تفاوت بین طبقه بندی و رگرسیون) Model (Difference Between Classification and Regression)

• مدل (تابع، پارامترها، فراپارامترها) Model (Function, Parameters, Hyperparameters)

• آموزش مدل، هزینه، خطا، ضرر، ریسک و دقت Training a Model, Cost, Error, Loss, Risk, and Accuracy

• بهينه سازي Optimization

• بیش از حد، تناسب اندک، درست بهینه (قسمت 1) Overfitting, Underfitting, Just Right Optimum (Part 1)

• بیش از حد، تناسب اندک، درست بهینه (قسمت 2) Overfitting, Underfitting, Just Right Optimum (Part 2)

• اعتبار سنجی و اعتبار سنجی متقاطع، تعمیم، جستجوی داده ها، مجموعه اعتبار سنجی Validation and Cross Validation, Generalization, Data Snooping, Validation Set

• توزیع های احتمال و نفرین ابعاد Probability Distributions and Curse of Dimensionality

• مشکلات اندازه نمونه کوچک، آموزش تک شات Small Sample Size problems, One Shot Learning

• اهمیت داده ها در یادگیری ماشینی، رمزگذاری داده ها و پیش پردازش Importance of Data in Machine Learning, Data Encoding, and Preprocessing

• جریان عمومی یک پروژه معمولی یادگیری ماشینی General Flow of a Typical Machine Learning Project

مقدمه ای بر پایتون Introduction to Python

• مقدمه ای بر پایتون Introduction to Python

• مقدمه ای بر IDE، Hello World Introduction to IDE, Hello World

• مقدمه ای بر نوع داده، اعداد Introduction to Data Type, Numbers

• متغیر و اپراتورها (اعداد) Variable and Operators (Numbers)

• متغیرها و عملگرها (عملگرها و توابع منطقی) Variables and Operators (Rational Operators and Functions)

• متغیرها و عملگرها (رشته) Variables and Operators (String)

• متغیرها و عملگرها (عبارت رشته و چاپ) Variables and Operators (String and Print Statement)

• لیست ها (نمایه سازی، برش لیست های داخلی در توابع) Lists (Indexing, Slicing Built-In Lists in Functions)

• لیست ها (کپی کردن یک لیست) Lists (Copying a List)

• تاپل ها (نمایه سازی، برش، توابع چندتایی داخلی) Tuples (Indexing, Slicing, Built-In Tuple Functions)

• مجموعه (آغاز کردن، توابع مجموعه داخلی) Set (Initialize, Built-In Set Functions)

• فرهنگ لغت Dictionary

• عملگر منطقی، تصمیم گیری، برای حلقه ها، حلقه های while، توابع Logical Operator, Decision Making, For Loops, While Loops, Functions

• عملگر منطقی، تصمیم گیری، برای حلقه ها، حلقه های while، درک لیست Logical Operator, Decision Making, For Loops, While Loops, List Comprehension

• کارکرد Functions

• پروژه ماشین حساب Calculator Project

مثال GridWorld GridWorld Example

• مقدمه ای بر SVM Introduction to SVM

• تشخیص دهنده های خطی Linear Discriminants

• تفکیک کننده های خطی فضاهای بالاتر Linear Discriminants higher spaces

• مرز تصمیم متمایز کننده خطی Linear Discriminants Decision Boundary

• مدل خطی تعمیم یافته Generalized Linear Model

• تبدیل ویژگی Feature Transformation

• تفکیک کننده خطی حداکثر حاشیه Max Margin Linear Discriminant

• حاشیه سخت در مقابل حاشیه نرم Hard Margin Versus Soft Margin

• اعتماد به نفس Confidence

• پسوند چند کلاسه Multiclass Extension

• SVM در مقابل پراکندگی رگرسیون لجستیک SVM Versus Logistic Regression Sparsity

• بهینه سازی SVM SVM Optimization

• SVM Langrangian Dual SVM Langrangian Dual

• هسته ها Kernels

• بسته‌های پایتون و مجموعه داده‌های تایتانیک Python Packages and the Titanic Dataset

• استفاده از NumPy، Pandas، و Matplotlib (قسمت 1) Using NumPy, Pandas, and Matplotlib (Part 1)

• استفاده از NumPy، Pandas، و Matplotlib (قسمت 2) Using NumPy, Pandas, and Matplotlib (Part 2)

• استفاده از NumPy، Pandas، و Matplotlib (قسمت 3) Using NumPy, Pandas, and Matplotlib (Part 3)

• استفاده از NumPy، Pandas، و Matplotlib (قسمت 4) Using NumPy, Pandas, and Matplotlib (Part 4)

• استفاده از NumPy، Pandas، و Matplotlib (قسمت 5) Using NumPy, Pandas, and Matplotlib (Part 5)

• استفاده از NumPy، Pandas، و Matplotlib (قسمت 6) Using NumPy, Pandas, and Matplotlib (Part 6)

• پیش پردازش مجموعه داده Dataset Preprocessing

• SVM با Sklearn SVM with Sklearn

• SVM بدون Sklearn (قسمت 1) SVM without Sklearn (Part 1)

• SVM بدون Sklearn (قسمت 2) SVM without Sklearn (Part 2)

بخش SVM اختیاری Optional SVM Section

• بهینه سازی اختیاری SVM (قسمت 1) Optional SVM Optimization (Part 1)

• بهینه سازی اختیاری SVM (قسمت 2) Optional SVM Optimization (Part 2)

• بهینه سازی اختیاری SVM (قسمت 3) Optional SVM Optimization (Part 3)

• بهینه سازی اختیاری SVM (قسمت 4) Optional SVM Optimization (Part 4)

• بهینه سازی اختیاری SVM (قسمت 5) Optional SVM Optimization (Part 5)

• بهینه سازی اختیاری SVM (قسمت 6) Optional SVM Optimization (Part 6)