آموزش مبانی یادگیری ماشین (Machine Learning Foundations) - مبانی الگوریتمی - آخرین آپدیت

دانلود 機器學習基石下 (Machine Learning Foundations)---Algorithmic Foundations

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ماشین حوزه‌ای از مطالعه است که به رایانه‌ها اجازه می‌دهد تا عملکرد خود را به‌طور تطبیقی و از طریق تجربیات به‌دست‌آمده از داده‌های مشاهده‌شده بهبود ببخشند. دو دوره مکمل ما، بنیادی‌ترین ابزارهای الگوریتمی، تئوری و کاربردی را که هر کاربر یادگیری ماشین باید بداند، آموزش می‌دهند. این دوره دوم بیشتر بر ابزارهای الگوریتمی تمرکز دارد، در حالی که دوره دیگر بر ابزارهای ریاضی متمرکز است.

سرفصل ها و درس ها

درس نهم: رگرسیون خطی 第九講:Linear Regression

  • مسئله رگرسیون خطی Linear Regression Problem

  • الگوریتم رگرسیون خطی Linear Regression Algorithm

  • موضوع تعمیم‌پذیری Generalization Issue

  • رگرسیون خطی برای طبقه‌بندی دوگانه Linear Regression for Binary Classification

درس دهم: رگرسیون لجستیک 第十講:Logistic Regression

  • مسئله رگرسیون لجستیک Logistic Regression Problem

  • خطای رگرسیون لجستیک Logistic Regression Error

  • گرادیان خطای رگرسیون لجستیک Gradient of Logistic Regression Error

  • گرادیان کاهشی (Gradient Descent) Gradient Descent

درس یازدهم: مدل‌های خطی برای طبقه‌بندی 第十一講:Linear Models for Classification

  • مدل‌های خطی برای طبقه‌بندی دوگانه Linear Models for Binary Classification

  • گرادیان کاهشی تصادفی (SGD) Stochastic Gradient Descent

  • طبقه‌بندی چندکلاسه از طریق رگرسیون لجستیک Multiclass via Logistic Regression

  • طبقه‌بندی چندکلاسه از طریق طبقه‌بندی دوگانه Multiclass via Binary Classification

درس دوازدهم: تبدیل‌های غیرخطی 第十二講:Nonlinear Transformation

  • فرضیه درجه دوم Quadratic Hypothesis

  • تبدیل غیرخطی Nonlinear Transform

  • هزینه تبدیل غیرخطی Price of Nonlinear Transform

  • مجموعه‌های فرضیه ساختاریافته Structured Hypothesis Sets

درس سیزدهم: خطرات بیش‌برازش (Overfitting) 第十三講:Hazard of Overfitting

  • بیش‌برازش (Overfitting) چیست؟ What is Overfitting?

  • نقش نویز و حجم داده‌ها The Role of Noise and Data Size

  • نویز قطعی Deterministic Noise

  • مقابله با بیش‌برازش Dealing with Overfitting

درس چهاردهم: منظم‌سازی (Regularization) 第十四講:Regularization

  • مجموعه فرضیه منظم‌شده Regularized Hypothesis Set

  • منظم‌سازی کاهش وزن (Weight Decay) Weight Decay Regularization

  • منظم‌سازی و تئوری VC Regularization and VC Theory

  • منظم‌سازهای عمومی General Regularizers

درس پانزدهم: اعتبارسنجی (Validation) 第十五講:Validation

  • مسئله انتخاب مدل Model Selection Problem

  • اعتبارسنجی Validation

  • اعتبارسنجی متقاطع حذف یکی (LOOCV) Leave-One-Out Cross Validation

  • اعتبارسنجی متقاطع V-Fold V-Fold Cross Validation

درس شانزدهم: سه اصل یادگیری 第十六講:Three Learning Principles

  • تیغ اوکام (Occam's Razor) Occam's Razor

  • سوگیری نمونه‌برداری Sampling Bias

  • داده‌کاوی مخفی (Data Snooping) Data Snooping

  • قدرت سه اصل Power of Three

نمایش نظرات

آموزش مبانی یادگیری ماشین (Machine Learning Foundations) - مبانی الگوریتمی
جزییات دوره
9h 20m
32
(آخرین آپدیت)
17,349
4.9 از 5
دارد
دارد
دارد
林軒田
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar