🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش نظریه رگرسیون فرآیند گاوسی برای یادگیری ماشینی
- آخرین آپدیت
دانلود Theory of Gaussian Process Regression for Machine Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
معرفی ابزار مدلسازی احتمالی برای یادگیری ماشین بیزی در پایتون
مدلسازی احتمالی که زیرمجموعه رویکرد بیزی قرار دارد، در سراسر جهان در حال افزایش محبوبیت است. قابلیتهای قدرتمند آن، مانند ارائه تخمین قابل اطمینان از عدم قطعیت خود، رگرسیون فرآیند گاوسی را به یک مهارت ضروری برای هر دانشمند داده تبدیل کرده است. رگرسیون فرآیند گاوسی به ویژه در زمینههای علم داده، تحلیل مالی، مهندسی و زمین آمار قدرتمند است.
آنچه در این دوره خواهید آموخت:
ریاضیات پشت الگوریتم: درک ریاضیات اساسی پشت الگوریتمهایی مانند GaussianProcessRegressor در کتابخانه scikit-learn.
مزایای رگرسیون فرآیند گاوسی: آشنایی با مزایای رگرسیون فرآیند گاوسی.
کاربردهای عملی: نمونههایی از رگرسیون فرآیند گاوسی در عمل و کاربردهای آن.
هستههای مهم: بررسی مهمترین هستههای مورد نیاز برای رگرسیون فرآیند گاوسی.
پیادهسازی در پایتون: نحوه پیادهسازی رگرسیون فرآیند گاوسی در پایتون با استفاده از کتابخانه scikit-learn.
پیش نیازها:
درک پایه از جبر خطی
تجربه اولیه در برنامهنویسی
این دوره مفاهیم اساسی ریاضیاتی مورد نیاز دانشمند داده امروزی را پوشش میدهد تا بتواند با اطمینان از رگرسیون فرآیند گاوسی استفاده کند. همچنین، پیادهسازی رگرسیون فرآیند گاوسی در پایتون نیز در این دوره آموزش داده میشود.
سرفصل ها و درس ها
Fundamentals-اصول اولیه
Fundamentals
Introduction-مقدمه
Introduction
Reading 1-مطالعهی شماره ۱
Reading 1
The conditional of a Gaussian-شرطی یک توزیع گوسی
The conditional of a Gaussian
Reading 2-مطالعهی شماره ۲
Reading 2
An example of finding the conditional-یک مثال از یافتن شرطی
An example of finding the conditional
Reading 3-مطالعهی شماره ۳
Reading 3
Supervised learning with the Gaussian process-یادگیری نظارتشده با فرآیند گوسی
Supervised learning with the Gaussian process
Reading 4-مطالعهی شماره ۴
Reading 4
An example of supervised learning-یک مثال از یادگیری نظارتشده
An example of supervised learning
Reading 5-مطالعهی شماره ۵
Reading 5
Application-کاربرد
Application
Kernels and their usefulness-هستهها و کاربرد آنها
Kernels and their usefulness
Reading 6-مطالعهی شماره ۶
Reading 6
Combining Kernels-ترکیب هستهها
Combining Kernels
Classic Gaussian process regression examples-مثالهای کلاسیک رگرسیون فرآیند گوسی
Classic Gaussian process regression examples
Reading 7-مطالعهی شماره ۷
Reading 7
Scikit-learn-سیکیت-لرن
Scikit-learn
Scikit-learn GaussianProcessRegressor-GaussianProcessRegressor در سیکیت-لرن
Scikit-learn GaussianProcessRegressor
Applying Gaussian process regression to real-world data I-اعمال رگرسیون فرآیند گوسی به دادههای دنیای واقعی – بخش ۱
Applying Gaussian process regression to real-world data I
Applying Gaussian process regression to real-world data II-اعمال رگرسیون فرآیند گوسی به دادههای دنیای واقعی – بخش ۲
Applying Gaussian process regression to real-world data II
Applying Gaussian process regression to real-world data III-اعمال رگرسیون فرآیند گوسی به دادههای دنیای واقعی – بخش ۳
Applying Gaussian process regression to real-world data III
Wrap: summarizing the process-جمعبندی: خلاصه کردن فرآیند
Wrap: summarizing the process
Assignment-تکلیف
Assignment
Running a Gaussian process regression algorithm in Python and optimizing kernels-اجرای یک الگوریتم رگرسیون فرآیند گوسی در پایتون و بهینهسازی هستهها
Running a Gaussian process regression algorithm in Python and optimizing kernels
EngineerFoster Lubbe دارای مدرک کارشناسی فیزیک و مهندسی و همچنین مدرک کارشناسی ارشد مهندسی مکانیک است. وی در پایان نامه خود بر کاربرد رگرسیون فرایند گاوس در مدل سازی داده های انرژی تجدیدپذیر تمرکز کرد. وی هم اکنون دانشجوی دکترای رشته انرژی های تجدیدپذیر است. قبل از شروع تحصیلات دکتری تمام وقت ، وی مدرس نیمه وقت دوره های مهندسی دوره کارشناسی بود.
نمایش نظرات