آموزش اصول یادگیری ماشین

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• مقدمه ای بر ML Intro to ML

• چشم انداز یادگیری ماشین Machine Learning Landscape

• یادگیری ماشینی چیست؟ What is Machine Learning?

• چرا یادگیری ماشینی؟ Why Machine Learning?

• یادگیری ماشینی در مقابل یادگیری عمیق در مقابل شبکه های عصبی Machine Learning vs. Deep Learning vs. Neural Networks

انواع سیستم های ML Types of ML Systems

• انواع سیستم ML Types of ML system

• ML تحت نظارت Supervised ML

• ML بدون نظارت Unsupervised ML

• ML نیمه نظارت شده Semi-Supervised ML

• ML تقویت شده Reinforced ML

• یادگیری دسته ای Batch Learning

• آموزش آنلاین Online Learning

• یادگیری مبتنی بر نمونه Instance Based Learning

• یادگیری مبتنی بر مودال Modal Based Learning

چالش های اصلی یادگیری ماشینی Main Challenges of Machine Learning

• تعداد ناکافی داده Insufficient Quantity of data

• داده های غیر نماینده Non Representative data

• کیفیت پایین داده ها Poor Quality of data

• ویژگی های بی ربط Irrelevant features

• بیش از حد برازش داده های آموزشی Overfitting the training data

• عدم تناسب داده های آموزشی Underfitting the training data

تست و اعتبارسنجی Testing & Validation

• تست و اعتبار سنجی Testing and validation

• تنظیم فراپارامتر و انتخاب حالت Hyperparameter Tuning & Modal selection

• تنظیم فراپارامتر برای مدل های یادگیری ماشین Hyperparameter tuning for machine learning models

• عدم تطابق داده ها Data mismatch

• عدم تطابق داده ها و راه حل های بالقوه آنها در یادگیری ماشین چیست؟ What are Data Mismatch and their potential solutions in Machine Learning?