آموزش Play by Play: Machine Learning Exposure

Play by Play: Machine Learning Exposed

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، موضوعات یادگیری ماشینی مانند یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری تقویتی و یادگیری عمیق را بررسی خواهید کرد. Play by Play مجموعه‌ای است که در آن فن‌آوران برتر روی یک مشکل به‌صورت بلادرنگ، تکرار نشده و بدون اسکریپت کار می‌کنند. در این دوره، Play by Play: Machine Learning Exposur، جیمز ویور و کاترین بومونت با اصول اولیه شروع می‌کنند و به روشی قابل دسترس برخی از جالب‌ترین تکنیک‌های یادگیری ماشین را ارائه می‌کنند. رگرسیون خطی، شبکه‌های عصبی، خوشه‌بندی و بررسی APIها و پلتفرم‌های مختلف یادگیری ماشین را بررسی کنید. در پایان این دوره، یک نمای کلی از آنچه می توانید به دست آورید، و همچنین شهودی در مورد ریاضیات پشت یادگیری ماشین خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

مقدمه یادگیری ماشین Machine Learning Introduction

  • مقدمه Introduction

  • بررسی اجمالی یادگیری تحت نظارت Supervised Learning Overview

یادگیری تحت نظارت Supervised Learning

  • انواع مشکلات یادگیری تحت نظارت: رگرسیون و طبقه بندی Types of Supervised Learning Problems: Regression and Classification

  • آناتومی و تجسم شبکه های عصبی مصنوعی Anatomy and Visualizing Artificial Neural Networks

  • انتشار رو به جلو Forward Propagation

  • انتشار پشت Back Propagation

  • مثال آشنایی با سرعت Speed Dating Example

  • ارزیابی و بهینه سازی یک شبکه عصبی Evaluating and Optimizing a Neural Network

  • رگرسیون جمع و مثال های تیک تاک پا Regression Sum and Tic-tac-toe Examples

  • مقدمه شهود، الگوریتم K-means Introduction Intuition, K-means Algorithm

  • استفاده از یادگیری بدون نظارت برای ترسیم هنر و کلمات Using Unsupervised Learning to Map Art and Words

یادگیری تقویتی Reinforcement Learning

  • با استفاده از BURLAP، پیمایش در جهان شبکه با یادگیری Q Using BURLAP, Navigating a Grid World with Q-learning

  • معادله بلمن و جداول پاداش Bellman Equation and Reward Tables

  • تیک تاک پا با یادگیری تقویتی Tic-tac-toe with Reinforcement Learning

نتیجه گیری دوره Course Conclusion

  • دیگر معماری شبکه های عصبی و نتیجه گیری Other Neural Networks Architectures and Conclusion

نمایش نظرات

آموزش Play by Play: Machine Learning Exposure
جزییات دوره
2h 52m
16
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
58
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Katharine Beaumont Katharine Beaumont

Katharine یک توسعه دهنده نرم افزار است ، که روی نرم افزارهای پزشکی ، Big Data و پردازش رویدادهای پیچیده ، توسعه وب و یادگیری ماشین کار کرده است. وی چندین سخنرانی در همایش بین المللی درباره تجربیات خود در صنعت نرم افزار ارائه داده است. او با سابقه علوم ، حقوق ، ریاضیات و اخیراً تحصیل در مقطع کارشناسی ارشد در علوم کامپیوتر ، (جای تعجب نیست) که عاشق یادگیری است!

James Weaver James Weaver

جیمز ویور یک توسعه دهنده ، نویسنده و سخنران جاوا است که علاقه زیادی به برنامه های بومی ابر ، یادگیری ماشین و محاسبات کوانتومی دارد. جیمز کتابهایی از جمله Inside Java ، Start J2EE ، Pro Pro JavaFX series و Java با Raspberry Pi نوشته است. جیمز به عنوان یک طرفدار توسعه محوری ، در کنفرانس های فناوری نرم افزار در سطح بین المللی صحبت می کند.