آموزش مقدمه‌ای بر یادگیری ماشین: یادگیری بدون نظارت - آخرین آپدیت

سرفصل ها و درس ها

مبانی یادگیری بدون نظارت و تحلیل اکتشافی داده‌ها Unsupervised Learning Basics & Exploratory Data Analysis

• مقدمه‌ای بر یادگیری ماشین Machine Learning Introduction​

• مقدمه‌ای بر یادگیری بدون نظارت Unsupervised Learning Introduction

• اصالت آکادمیک و سیاست استفاده از هوش مصنوعی در تخصص یادگیری ماشین Academic Integrity and AI Use Policy for the Machine Learning Specialization

• انگیزه یادگیری بدون نظارت Motivation for Unsupervised Learning

• مرور یادگیری بدون نظارت در مقابل نظارت شده Unsupervised vs Supervised Recap

• انواع روش‌های بدون نظارت Types of Unsupervised Methods

• معیارهای فاصله و شباهت Distance Metrics and Similarity

• چالش‌های یادگیری بدون نظارت Challenges in Unsupervised Learning

• ملاحظات پیش‌پردازش داده‌ها Data Preprocessing Considerations

تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis (PCA)

• شهود پشت PCA: مدل خطی برای کاهش ابعاد Intuition Behind PCA: Linear Model for Dimensionality Reduction

• شهود پشت PCA: تصویر کردن نقاط داده در مؤلفه‌های اصلی Intuition Behind PCA: Projecting Datapoints into Principal Components

• شهود پشت PCA: تجزیه مقادیر تکین کوتاه شده (Truncated SVD) Intuition Behind PCA: Truncated SVD

• شهود پشت PCA: خلاصه Intuition Behind PCA: Summary

• الگوریتم و ریاضیات PCA: تجزیه مقادیر تکین (SVD) PCA Algorithm and Mathematics: Singular Value Decomposition

• تفسیر PCA: مؤلفه‌های اصلی و امتیازات Interpreting PCA: Principal Components and Scores

• تفسیر PCA: نمودارهای Biplots، ابهام در علامت و تله‌ها Interpreting PCA: Biplots, Sign Ambiguity, and Pitfalls

• انتخاب تعداد مؤلفه‌ها Choosing Number of Components

• استفاده از PCA برای بصری‌سازی PCA for Visualization

• محدودیت‌های PCA برای الگوهای غیرخطی، محلی و t-SNE PCA Limitations for Non-linear, Local Patterns, and t-SNE

• سایر تکنیک‌های کاهش ابعاد: Isomap Other Dimensionality Reduction Techniques: Isomap

• سایر تکنیک‌های کاهش ابعاد: مقیاس‌بندی چندبعدی (MDS) Other Dimensionality Reduction Techniques: Multidimensional Scaling (MDS)

خوشه‌بندی K-Means K-Means Clustering

• نحوه عملکرد خوشه‌بندی K-Means How K-Means Clustering Works

• همگرایی K-Means: مجموع مربعات درون خوشه‌ای و بهینه‌سازی K-Means Convergence: Within-Cluster Sum of Squares and Optimization

• همگرایی K-Means: اثبات بهینه‌سازی مرحله تخصیص K-Means Convergence: Proof of Assignment Step Optimization

• همگرایی K-Means: اثبات بهینه‌سازی مرحله به‌روزرسانی K-Means Convergence: Proof of Update Step Optimization

• انتخاب تعداد خوشه‌ها (K) Choosing the Number of Clusters (K)

• تفسیر و بصری‌سازی خوشه‌ها Interpreting and Visualizing Clusters

• مدل‌های مخلوط گاوسی: انگیزه و خوشه‌بندی احتمالی Gaussian Mixture Models: Motivation and Probabilistic Clustering

• مدل‌های مخلوط گاوسی: تئوری و الگوریتم EM Gaussian Mixture Models: Theory and the EM Algorithm

خوشه‌بندی سلسله‌مراتبی Hierarchical Clustering

• توضیح خوشه‌بندی سلسله‌مراتبی تجمعی Agglomerative Hierarchical Clustering Explained

• معیارهای پیوند: کامل، تک و میانگین Linkage Criteria: Complete, Single, and Average

• برش نمودارهای درختی (Dendrograms) و تفسیر خوشه‌ها Cutting Dendrograms and Interpreting Clusters

• مقایسه روش‌های خوشه‌بندی Comparing Clustering Methods

تکمیل ماتریس، مقادیر گمشده و سیستم‌های توصیه‌گر Matrix Completion, Missing Values, and Recommender Systems

• مشکل مقادیر گمشده و اهمیت آن The Missing-Values Problem and Why It Matters

• SVD به عنوان تقریب ماتریس: الگوریتم جایگذاری متناوب SVD as Matrix Approximation: Alternating Imputation Algorithm

• تخصیص دیریکله نهفته (LDA): مدل‌سازی موضوعی برای متن Latent Dirichlet Allocation: Topic Modeling for Text

• مدل‌سازی مولد با مدل‌های مخلوط گاوسی Generative Modeling with Gaussian Mixture Models

• تشخیص ناهنجاری با جنگل‌های ایزولاسیون (Isolation Forests) Anomaly Detection with Isolation Forests