لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش حساب ماتریسی برای علوم داده و یادگیری ماشین
- آخرین آپدیت
دانلود Matrix Calculus for Data Science & Machine Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
بهروزرسانی شده در می ۲۰۲۵.
این دوره اکنون دارای قابلیت Coursera Coach است!
روشی هوشمندانهتر برای یادگیری با گفتگوهای تعاملی و در لحظه که به شما کمک میکند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیقتر کنید.
این دوره برای آشنایی شما با دنیای قدرتمند حساب ماتریسی (Matrix Calculus)، با تمرکز ویژه بر کاربردهای آن در علوم داده و یادگیری ماشین طراحی شده است. در پایان این دوره، شما پایهای قوی در مفاهیم ضروری حساب دیفرانسیل، مانند مشتقات ماتریسی و برداری، تکنیکهای بهینهسازی و کاربردهای واقعی آنها در مدلهای یادگیری ماشین به دست خواهید آورد. همچنین یاد میگیرید که پیچیدگیهای الگوریتمهای دادهمحور را از طریق درک عمیق حساب ماتریسی مدیریت کنید.
سفر ما با معرفی دوره، تشریح موضوعات کلیدی و ارائه استراتژیهای موفقیت آغاز میشود. راهنماییهای عملی برای دسترسی به کدهای ضروری دوره در اختیار شما قرار میگیرد تا بتوانید با تمرینات واقعی درگیر شوید. بخش اول به بررسی مشتقات ماتریسی و برداری میپردازد و مفاهیم بنیادی مانند فرمهای خطی، فرمهای درجه دوم و قوانین زنجیری را پوشش میدهد. هر بخش شامل تمرینات عملی برای تثبیت درک شما از این موضوعات و کاربردهایی مانند حل مسائل کمترین مربعات و توزیع گاوسی است.
بخش دوم دوره به بررسی عمیق تکنیکهای بهینهسازی میپردازد که برای بهبود مدلهای یادگیری ماشین حیاتی هستند. شما تست مشتق دوم، گرادیان کاهشی (Gradient Descent) و روش نیوتن را در هر دو حالت تکبعدی و چندبعدی بررسی خواهید کرد. این روشها با کد پایتون نمایش داده میشوند تا نحوه پیادهسازی استراتژیهای بهینهسازی در عمل مشخص شود. با بهکارگیری این تکنیکها در تمرینات مختلف، مهارتهای لازم برای بهینهسازی کارآمد الگوریتمهای یادگیری ماشین را توسعه خواهید داد.
این دوره برای کسانی که درک اولیهای از حساب دیفرانسیل و جبر خطی دارند و به دنبال ارتقای مهارتهای خود در زمینه علوم داده و یادگیری ماشین هستند، ایدهآل است. همچنین برای دانشمندان داده، علاقهمندان به یادگیری ماشین و پژوهشگرانی که میخواهند مبانی ریاضی پشت الگوریتمهای فناوریهای مدرن دادهمحور را بیاموزند، بسیار مناسب است.
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه و سرفصلها
Introduction and Outline
چگونه در این دوره موفق شویم
How to succeed in this course
کدها را از کجا دریافت کنیم
Where to get the code
مشتقات ماتریسی و برداری
Matrix and Vector Derivatives
مقدمه بخش مشتقات
Derivatives - Section Introduction
فرم خطی
Linear Form
فرم درجه دوم (بخش اول)
Quadratic Form (pt 1)
فرم درجه دوم (بخش دوم)
Quadratic Form (pt 2)
تمرین: فرم درجه دوم
Exercise: Quadratic
تمرین: کمترین مربعات
Exercise: Least Squares
تمرین: توزیع گاوسی
Exercise: Gaussian
قانون زنجیرهای
Chain Rule
قانون زنجیرهای در قالب ماتریسی
Chain Rule in Matrix Form
تعمیم قانون زنجیرهای
Chain Rule Generalized
تمرین: فرم درجه دوم با محدودیتها
Exercise: Quadratic with Constraints
معکوس چپ و راست به عنوان مسائل بهینهسازی
Left and Right Inverse as Optimization Problems
مشتق دترمینان
Derivative of Determinant
جمعبندی بخش مشتقات
Derivatives - Section Summary
صندوق پیشنهادات
Suggestion Box
تکنیکهای بهینهسازی
Optimization Techniques
مقدمه بخش بهینهسازی
Optimization - Section Introduction
تست مشتق دوم در ابعاد چندگانه
Second Derivative Test in Multiple Dimensions
نحوه نصب Numpy, Scipy, Matplotlib, Pandas, IPython, Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
استراتژیهای یادگیری موثر (پیوست/سوالات متداول به درخواست دانشجویان)
Effective Learning Strategies (Appendix/FAQ by Student Request)
آیا یوتیوب میتواند به من حساب دیفرانسیل یاد دهد؟ (اختیاری)
Can YouTube Teach Me Calculus? (Optional)
این دوره برای مبتدیان است یا متخصصان؟ آکادمیک است یا کاربردی؟ سرعت آموزش چگونه است؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
دورهها را به چه ترتیبی بگذرانم؟ (بخش اول)
What order should I take your courses in? (part 1)
دورهها را به چه ترتیبی بگذرانم؟ (بخش دوم)
What order should I take your courses in? (part 2)
پیوست / جمعبندی سوالات متداول
Appendix / FAQ Finale
نمایش نظرات