آموزش پیش‌نیازهای یادگیری عمیق: رگرسیون خطی در پایتون - آخرین آپدیت

سرفصل ها و درس ها

خوش آمدید Welcome

• مقدمه و طرح کلی Introduction and Outline

• چگونه در این دوره موفق شویم How to Succeed in this Course

• آمار در مقابل یادگیری ماشین Statistics vs. Machine Learning

1-رگرسیون خطی تک بعدی: تئوری و کد 1-D Linear Regression: Theory and Code

• یادگیری ماشین چیست؟ رگرسیون خطی چه نقشی دارد؟ What is machine learning? How does linear regression play a role?

• مدل را در یک بعد تعریف کنید، راه حل را استخراج کنید (نسخه به‌روز شده) Define the model in 1-D, derive the solution (Updated Version)

• مدل را در یک بعد تعریف کنید، راه حل را استخراج کنید Define the model in 1-D, derive the solution

• کدنویسی راه حل تک بعدی در پایتون Coding the 1-D solution in Python

• تمرین: تئوری در مقابل کد Exercise: Theory vs. Code

• میزان خوب بودن مدل را تعیین کنید - R-squared Determine how good the model is - r-squared

• R-squared در کد R-squared in code

• مقدمه مسئله قانون مور Introduction to Moore's Law Problem

• نمایش قانون مور در کد Demonstrating Moore's Law in Code

• استخراج قانون مور Moore's Law Derivation

• آزمون R-squared 1 R-squared Quiz 1

• جعبه پیشنهادات Suggestion Box

رگرسیون خطی چندگانه و رگرسیون چندجمله‌ای Multiple linear regression and polynomial regression

• مسئله چند بعدی را تعریف کنید و راه حل را استخراج کنید (نسخه به‌روز شده) Define the multi-dimensional problem and derive the solution (Updated Version)

• مسئله چند بعدی را تعریف کنید و راه حل را استخراج کنید Define the multi-dimensional problem and derive the solution

• چگونه رگرسیون خطی چندگانه را فقط با استفاده از ماتریس‌ها حل کنیم How to solve multiple linear regression using only matrices

• کدنویسی راه حل چند بعدی در پایتون Coding the multi-dimensional solution in Python

• رگرسیون چندجمله‌ای - بسط رگرسیون خطی (با کد پایتون) Polynomial regression - extending linear regression (with Python code)

• پیش‌بینی فشار خون سیستولیک از روی سن و وزن Predicting Systolic Blood Pressure from Age and Weight

• آزمون R-squared 2 R-squared Quiz 2

مسائل عملی یادگیری ماشین Practical machine learning issues

• این همه حروف به چه معنا هستند؟ What do all these letters mean?

• تفسیر وزن‌ها Interpreting the Weights

• خطای تعمیم، مجموعه‌های آموزش و آزمون Generalization error, train and test sets

• نمایش تعمیم و بیش‌برازش در کد Generalization and Overfitting Demonstration in Code

• ورودی‌های دسته‌بندی شده Categorical inputs

• آزمون کدگذاری One-Hot One-Hot Encoding Quiz

• تفسیر احتمالی خطای مربعات Probabilistic Interpretation of Squared Error

• تنظیم L2 - تئوری L2 Regularization - Theory

• تنظیم L2 - کد L2 Regularization - Code

• تله متغیر مجازی The Dummy Variable Trap

• آموزش بهینه‌سازی گرادیان Gradient Descent Tutorial

• بهینه‌سازی گرادیان برای رگرسیون خطی Gradient Descent for Linear Regression

• دور زدن تله متغیر مجازی با بهینه‌سازی گرادیان Bypass the Dummy Variable Trap with Gradient Descent

• تنظیم L1 - تئوری L1 Regularization - Theory

• تنظیم L1 - کد L1 Regularization - Code

• تنظیم L1 در مقابل L2 L1 vs L2 Regularization

• چرا بر جذر D تقسیم می‌کنیم؟ Why Divide by Square Root of D?

نتیجه‌گیری و گام‌های بعدی Conclusion and Next Steps

• مروری مختصر بر مباحث پیشرفته رگرسیون خطی و یادگیری ماشین Brief overview of advanced linear regression and machine learning topics

• تمرین‌ها، practice و چگونه در این زمینه خوب شویم Exercises, practice, and how to get good at this

ضمیمه / مقدمه سوالات متداول Appendix / FAQ Intro

• ضمیمه چیست؟ What is the Appendix?

تنظیم محیط شما (سوالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

• بررسی پیش‌نصب Pre-Installation Check

• راه اندازی محیط Anaconda Anaconda Environment Setup

• نحوه نصب Numpy, Scipy, Matplotlib, Pandas, IPython, Theano و TensorFlow How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

کمک اضافی با کدنویسی پایتون برای مبتدیان (سوالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

• چگونه خودتان کدنویسی کنید (قسمت اول) How to Code by Yourself (part 1)

• چگونه خودتان کدنویسی کنید (قسمت دوم) How to Code by Yourself (part 2)

• اثبات اینکه استفاده از Jupyter Notebook با عدم استفاده از آن تفاوتی ندارد Proof that using Jupyter Notebook is the same as not using it

• پایتون ۲ در مقابل پایتون ۳ Python 2 vs Python 3

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (سوالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

• چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

• این دوره برای مبتدیان است یا متخصصان؟ آکادمیک یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

• نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی (بخش ۱) Machine Learning and AI Prerequisite Roadmap (pt 1)

• نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی (بخش ۲) Machine Learning and AI Prerequisite Roadmap (pt 2)

ضمیمه / پایان سوالات متداول Appendix / FAQ Finale

• بونوس BONUS