آموزش یادگیری ماشینی عملی

سرفصل ها و درس ها

ماژول 0 - یادگیری ماشینی چیست؟ - بخش اول Module 0 - What is Machine Learning? - Part One

• مقدمه ای بر هوش مصنوعی Introduction to AI

• تاریخچه هوش مصنوعی The history of AI

• اخلاق هوش مصنوعی The ethics of AI

• نمونه هایی از هوش مصنوعی موجود (یادگیری ماشینی) Examples of existing AI (machine learning)

• مقدمه ای بر داده ها Introduction to Data

• داده در مقابل کلان داده Data vs Big Data

• متغیرها و داده ها Variables & Data

• هوش مصنوعی ضعیف در مقابل استنتاج آماری محاسباتی Weak AI vs computational statistical inference

• نمونه های خاص از یادگیری ماشینی Specific examples of machine learning

• مقدمه ای بر نت نویسی Introduction to notation

• مشکلات یادگیری تحت نظارت - قسمت 1 Supervised learning problems - Part 1

• مشکلات یادگیری تحت نظارت - قسمت 2 Supervised learning problems - Part 2

• مشکلات یادگیری تحت نظارت - قسمت 3 Supervised learning problems - Part 3

ماژول 0 - یادگیری ماشینی چیست؟ - بخش دوم Module 0 - What is Machine Learning? - Part Two

• یادگیری بدون نظارت Unsupervised Learning

• مبانی نظری یادگیری ماشین The Theoretical Basis of Machine Learning

• یافتن مدل با رگرسیون خطی - قسمت 1 Finding the Model with Linear Regression - Part 1

• یافتن مدل با رگرسیون خطی - قسمت 2 Finding the Model with Linear Regression - Part 2

• مسائل مربوط به یادگیری ماشین - شکاف معنایی Issues with Machine Learning – The Semantic Gap

• مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 1 Issues with Machine Learning – Approximating the Truth - Part 1

• مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 2 Issues with Machine Learning – Approximating the Truth - Part 2

ماژول 1 – پایتون برای یادگیری ماشین Module 1 – Python for Machine Learning

• پایتون برای یادگیری ماشین Python for machine learning

• استفاده از حلقه ها برای محاسبه ضرر کل Using loops to compute total loss

• رگرسیون و طبقه بندی Regression and classification

• راه اندازی یادگیری ماشین در پایتون Machine learning setup in Python

ماژول 2 - ریاضیات برای یادگیری ماشین - قسمت اول Module 2 - Maths for Machine Learning - Part One

• مقدمه ای بر ریاضیات یادگیری ماشینی Introduction to the mathematics of machine learning

• توابع رایج و جبر مفید برای یادگیری ماشین Common functions and useful algebra for machine learning

• مدل درجه دوم The quadratic model

• لگاریتم و توان Logarithms and exponents

• رگرسیون خطی Linear regression

• تجسم رگرسیون خطی Visualising linear regression

• حساب دیفرانسیل و انتگرال Calculus

• نشانه گذاری Notation

• ارائه یک تحلیل کلی با استفاده از نمادهای ریاضی عمومی - قسمت 1 Providing a general analysis using general mathematical notation - Part 1

• ارائه یک تحلیل کلی با استفاده از نمادهای ریاضی عمومی - قسمت 2 Providing a general analysis using general mathematical notation - Part 2

ماژول 2 - ریاضیات برای یادگیری ماشین - قسمت دوم Module 2 - Maths for Machine Learning - Part Two

• رگرسیون خطی در ابعاد چندگانه Linear Regression in Multiple Dimensions

• تفسیر ساختارهای داده از دیدگاه هندسی جبر خطی Interpreting Data Structures from the Geometrical Perspective of Linear Algebra

• بردار تفریق Vector Subtraction

• استفاده از بردارهای تجسمی برای حل مسائل در یادگیری ماشین Using Visualized Vectors to Solve Problems in Machine Learning

• ماتریس ها Matrices

• رگرسیون خطی چند بعدی - قسمت 1 Multidimensional Linear Regression - Part 1

• رگرسیون خطی چند بعدی - قسمت 2 Multidimensional Linear Regression - Part 2

• رگرسیون خطی چند بعدی - قسمت 3 Multidimensional Linear Regression - Part 3

ماژول 3 - آموزش تحت نظارت - قسمت اول Module 3 - Supervised Learning - Part One

• مروری بر یادگیری تحت نظارت An Overview of Supervised Learning

• الگوریتم نزدیکترین همسایگان Nearest Neighbours Algorithm

• الگوریتم نزدیکترین همسایگان برای طبقه بندی Nearest Neighbours Algorithm for Classification

• الگوریتم K نزدیکترین همسایه چگونه کار می کند How the K Nearest Neighbours Algorithm Works

ماژول 3 - آموزش تحت نظارت - قسمت دوم Module 3 - Supervised Learning - Part Two

• Hyper Parameters - قسمت 1 Hyper Parameters - Part 1

• Hyper Parameters - قسمت 2 Hyper Parameters - Part 2

• Hyper Parameters - قسمت 3 Hyper Parameters - Part 3

• توابع فاصله و اندازه گیری های شباهت Distance Functions and Similarity Measures

• رگرسیون لجستیک Logistic Regression

• روش و گردش کار یادگیری ماشینی و ارزیابی The Method and Workflow of Machine Learning, and Evaluation

• تقسیم قطار-تست The Train-Test Split

• اعتبار سنجی متقابل - قسمت 1 Cross-Validation - Part 1

• اعتبار متقابل - قسمت 2 Cross-Validation - Part 2

• اعتبار سنجی متقابل - قسمت 3 Cross-Validation - Part 3

ماژول 4 - انتخاب مدل Module 4 - Model Selection

• انتخاب مدل Model Selection

• رویکردهای توضیحی در مقابل تداعی - قسمت 1 Explanatory vs Associative Approaches - Part 1

• رویکردهای توضیحی در مقابل تداعی - قسمت 2 Explanatory vs Associative Approaches - Part 2

• (خارج از نمونه) عملکرد (Out-sample) Performance

ماژول 5 - رگرسیون Module 5 - Regression

• تفسیر مدل ها Interpreting Models

• تفسیر مدل های طبقه بندی خطی - قسمت 1 Interpreting linear classification models - Part 1

• تفسیر مدل های طبقه بندی خطی - قسمت 2 Interpreting linear classification models - Part 2

ماژول 6 - یادگیری بدون نظارت Module 6 - Unsupervised learning

• یادگیری بدون نظارت Unsupervised learning

• خوشه بندی Clustering

• K-به معنای خوشه بندی است K-means clustering

• محدودیت ها Limitations

• کاهش ابعاد Dimensionality reduction

ماژول 7 - احتمال و آمار Module 7 - Probability and statistics

• احتمال و آمار Probability and statistics

• احتمال بیزی Bayesian probability

• احتمال مکرر Frequentist probability

• آمار Statistics

• توزیع احتمال Probability distribution

• توزیع نرمال The normal distribution