آموزش مبانی یادگیری ماشین - آخرین آپدیت

دانلود Machine Learning Fundamentals

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره مقدمه‌ای کوتاه بر تئوری و عمل یادگیری ماشین نظارت شده (Supervised Machine Learning) ارائه می‌دهد؛ حوزه‌ای که در آن به کامپیوترها آموزش می‌دهیم تا از داده‌های برچسب‌دار، پیش‌بینی انجام دهند. ما با مدل معروف رگرسیون خطی شروع می‌کنیم و از اصول بنیادین به سمت تکنیک‌های پیشرفته منظم‌سازی (Regularization) حرکت می‌کنیم که برای ساخت مدل‌های قدرتمند ضروری هستند. سپس از رگرسیون به سمت طبقه‌بندی (Classification) انتقال یافته و دو پارادایم اصلی برای جداسازی داده‌ها، یعنی مدل‌های متمایزگر (Discriminative) و مدل‌های مولد (Generative) را بررسی می‌کنیم. این دوره با یادگیری نحوه ارزیابی انتقادی و مقایسه عملکرد طبقه‌بندها با استفاده از ابزارهای استاندارد صنعت مانند منحنی ROC به پایان می‌رسد. پس از اتمام این دوره، تسلط بالایی بر اصول اصلی که زیربنای مدل‌سازی پیش‌بینی‌کننده مدرن هستند، خواهید داشت.

سرفصل ها و درس ها

مرور کلی دوره Course Overview

  • مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

مبانی و رگرسیون خطی پایه Foundations and Basic Linear Regression

  • توابع پایه برای رگرسیون خطی Basis Functions For Linear Regression

  • فرمول‌بندی احتمالی رگرسیون خطی Probabilistic Formulation of Linear Regression

  • تخمین حداکثر درست‌نمایی برای رگرسیون خطی Maximum Likelihood Estimate for Linear Regression

  • تفسیر هندسی برای رگرسیون خطی Geometric Interpretation for Linear Regression

مباحث پیشرفته و منظم‌سازی در رگرسیون خطی Advanced Topics and Regularization in Linear Regression

  • رگرسیون خطی منظم‌شده Regularized Linear Regression

  • انواع مختلف رگرسیون خطی منظم‌شده Regularized Linear Regression - Various Kinds

  • رگرسیون خطی با مقادیر برداری Vector Valued Linear Regression

  • تجزیه بایاس-واریانس - مقدمه Bias Variance Decomposition - Intro

  • تجزیه بایاس-واریانس - تابع هزینه Bias Variance Decomposition - Loss Function

  • رابطه بایاس-واریانس در مقابل پیچیدگی Bias-Variance vs. Complexity

توابع متمایزگر Discriminant Functions

  • توابع متمایزگر - دو کلاس - بخش اول Discriminant Functions - Two Classes - Part 1

  • توابع متمایزگر - دو کلاس - بخش دوم Discriminant Functions - Two Classes - Part 2

  • توابع متمایزگر - چند کلاس - بخش اول Discriminant Functions - Multiple Classes - Part 1

  • توابع متمایزگر - چند کلاس - بخش دوم Discriminant Functions - Multiple Classes - Part 2

  • متمایزگر فیشر Discriminant Functions - Fisher's Discriminant

  • الگوریتم پرسپترون The Perceptron Algorithm

مدل‌های احتمالی Probabilistic Models

  • تابع لجستیک و درست‌نمایی گاوسی - بخش اول Logistic Function and Gaussian Likelihood - Part 1

  • تابع لجستیک و درست‌نمایی گاوسی - بخش دوم Logistic Function and Gaussian Likelihood - Part 2

  • تابع لجستیک و درست‌نمایی گاوسی - بخش سوم Logistic Function and Gaussian Likelihood - Part 3

  • مدل‌های مولد احتمالی - MLE Probabilistic Generative Models - MLE

  • مدل‌های متمایزگر احتمالی - تابع پایه ثابت Probabilistic Discriminative Models - Fixed Basis Function

  • مدل‌های متمایزگر احتمالی - رگرسیون لجستیک Probabilistic Discriminative Models - Logistic Regression

منحنی ROC ROC Curve

  • منحنی ROC - بخش دوم ROC Curve - Part 2

جمع‌بندی دوره Course Wrap-Up

نمایش نظرات

آموزش مبانی یادگیری ماشین
جزییات دوره
34h 7m
24
(آخرین آپدیت)
496
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده