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

مقدمه‌ای بر یادگیری نظارت شده و مبانی رگرسیون خطی Introduction to Supervised Learning & Linear Regression Basics

• مقدمه‌ای بر یادگیری ماشین Machine Learning Introduction​

• مقدمه‌ای بر یادگیری نظارت شده Supervised Learning Introduction

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

• مبانی ریاضی یادگیری ماشین: نمای کلی Mathematical Foundations for Machine Learning: Overview

• مبانی ریاضی یادگیری ماشین: جبر خطی Mathematical Foundations for Machine Learning: Linear Algebra

• مبانی ریاضی یادگیری ماشین: حساب دیفرانسیل و انتگرال Mathematical Foundations for Machine Learning: Calculus

• مبانی ریاضی یادگیری ماشین: احتمالات Mathematical Foundations for Machine Learning: Probability

• مبانی برنامه‌نویسی برای یادگیری ماشین Programming Foundations for Machine Learning

• مقایسه یادگیری نظارت شده در مقابل نظارت نشده Supervised vs Unsupervised Learning

• مقایسه رگرسیون در مقابل طبقه‌بندی Regression vs Classification

• دقت مدل و توازن بایاس و واریانس Model Accuracy and Bias-Variance Tradeoff

• تفسیرپذیری در مقابل پیچیدگی Interpretability vs Complexity

رگرسیون خطی برای پیش‌بینی و استنباط Linear Regression for Prediction & Inference

• مفاهیم رگرسیون خطی ساده Simple Linear Regression Concepts

• برازش مدل خطی و ارزیابی برازش Fitting a Linear Model and Assessing Fit

• استخراج راه‌حل کمترین مربعات Deriving the Least Squares Solution

• رگرسیون خطی چندگانه Multiple Linear Regression

• فرض‌های رگرسیون و تشخیص خطا Regression Assumptions and Diagnostics

• رگرسیون چندجمله‌ای و انعطاف‌پذیری مدل Polynomial Regression and Model Flexibility

• تفسیر نتایج و بحث Interpreting Results and Discussion

طبقه‌بندی – رگرسیون لجستیک، تحلیل ممیز و K-نزدیک‌ترین همسایه Classification – Logistic Regression, Discriminant Analysis, & K- Nearest Neighbors

• چرا طبقه‌بندی؟ Why Classification?

• شهود رگرسیون لجستیک Logistic Regression Intuition

• تابع زیان در رگرسیون لجستیک The Loss Function in Logistic Regression

• منظم‌سازی L2 در رگرسیون لجستیک L2 Regularization in Logistic Regression

• تئوری تحلیل ممیز خطی (LDA) Linear Discriminant Analysis Theory

• شهود K-نزدیک‌ترین همسایه (KNN) K-Nearest Neighbors Intuition

• پیش‌پردازش داده‌ها Data Pre-Processing

• اعتبارسنجی متقاطع برای هایپرپارامترها Cross-Validation for Hyperparameters

• معیارهای ارزیابی: ماتریس اغتشاش، دقت و نرخ خطا Evaluation Metrics: Confusion Matrix, Accuracy, Error Rate

• معیارهای ارزیابی: دقت (Precision)، فراخوانی (Recall) و نمره F1 Evaluation Metrics: Precision, Recall, F1-Score

• معیارهای ارزیابی: منحنی‌های ROC و AUC Evaluation Metrics: ROC Curves, AUC

• کاربردهای تخصصی معیارهای ارزیابی در دامنه‌های مختلف Domain-Specific Applications of Evaluation Metrics

• ارزیابی طبقه‌بندی چندکلاسه Multiclass Classification Evaluation

ارزیابی مدل، نمونه‌برداری مجدد و منظم‌سازی Model Evaluation, Resampling, & Regularization

• مبانی ریاضی بایاس و واریانس: تعریف مسئله Mathematical Foundation of Bias and Variance: Problem Setup

• مبانی ریاضی بایاس و واریانس: مدل در مقابل تخمین Mathematical Foundation of Bias and Variance: Model vs Estimation

• مبانی ریاضی بایاس و واریانس: خطای مربعات مورد انتظار Mathematical Foundation of Bias and Variance: Expected Squared Error

• مبانی ریاضی بایاس و واریانس: استخراج فرمول (بخش اول) Mathematical Foundation of Bias and Variance: Derivation (Part 1)

• مبانی ریاضی بایاس و واریانس: استخراج فرمول (بخش دوم) Mathematical Foundation of Bias and Variance: Derivation (Part 2)

• ریسک تجربی در مقابل ریسک: تئوری تعمیم Empirical Risk vs Risk: Generalization Theory

• ریسک تجربی در مقابل ریسک: پیچیدگی نمونه و تئوری یادگیری PAC Empirical Risk vs Risk: Sample Complexity and PAC Learning Theory

• مفاهیم روش بوت‌استرپ (Bootstrap) Bootstrap Method Concepts

• کاربردها و مثال‌های بوت‌استرپ Bootstrap Applications and Examples

• مقدمه‌ای بر منظم‌سازی: L1، L2 و شبکه الاستیک (Elastic Net) Introduction to Regularization: L1, L2, and elastic net

روش‌های مبتنی بر درخت و مدل‌های مجموعه‌ای Tree-Based Methods & Ensembles

• مقدمه‌ای بر درخت‌های تصمیم Introduction to Decision Trees

• الگوریتم ساخت درخت و بیش‌برازش (Overfitting) Tree-Building Algorithm & Overfitting

• هرس کردن درخت (Pruning) Pruning

• بگینگ (Bagging) و پیدایش جنگل‌های تصادفی Bagging & the Birth of Random Forests

• تنظیم و تفسیر مدل Tuning & Interpretation

• بوستینگ (Boosting) – ایده اصلی و مدل‌سازی افزودنی Boosting – Core Idea & Additive Modeling

• درخت‌های تقویت‌شده گرادیانی (GBDT) – تنظیم و چالش‌ها Gradient Boosted Trees – Tuning & Pitfalls

• تفسیر مدل‌های مجموعه‌ای (Ensemble) Interpreting Ensemble Models