لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدلهای گرافیکی احتمالی ۳: یادگیری
- آخرین آپدیت
دانلود Probabilistic Graphical Models 3: Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
مدلهای گرافیکی احتمالی (PGMs) چارچوبی قدرتمند برای رمزگذاری توزیعهای احتمالی در دامنههای پیچیده هستند؛ توزیعهای مشترک (چند متغیره) روی تعداد زیادی از متغیرهای تصادفی که با یکدیگر تعامل دارند. این نمایشها در نقطه تلاقی آمار و علوم کامپیوتر قرار دارند و بر مفاهیمی از تئوری احتمال، الگوریتمهای گراف، یادگیری ماشین و موارد دیگر متکی هستند. آنها پایه و اساس روشهای پیشرفته در طیف گستردهای از کاربردها مانند تشخیص پزشکی، درک تصویر، تشخیص گفتار، پردازش زبان طبیعی و بسیاری موارد دیگر میباشند. همچنین، این مدلها ابزاری بنیادی در فرمولبندی بسیاری از مسائل یادگیری ماشین هستند.
این دوره، سومین بخش از یک سری سه قسمتی است. پس از دوره اول که بر نمایش (Representation) و دوره دوم که بر استنتاج (Inference) متمرکز بود، این دوره به مسئله یادگیری میپردازد: اینکه چگونه میتوان یک PGM را از روی مجموعهای از دادههای نمونه یاد گرفت. در این دوره، مسائل کلیدی تخمین پارامتر در هر دو مدل جهتدار و بدون جهت، و همچنین وظیفه یادگیری ساختار برای مدلهای جهتدار مورد بحث قرار میگیرد. بخش پیشرفته (Honors track) که شدیداً توصیه میشود، شامل دو تکلیف برنامهنویسی عملی است که در آن روتینهای کلیدی دو الگوریتم یادگیری رایج پیادهسازی شده و بر روی یک مسئله واقعی اعمال میشوند.
سرفصل ها و درس ها
یادگیری: نمای کلی
Learning: Overview
یادگیری: نمای کلی
Learning: Overview
مرور مفاهیم یادگیری ماشین از کلاس پروفسور اندرو انجی (اختیاری)
Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)
منظمسازی: مسئله بیشبرازش (Overfitting)
Regularization: The Problem of Overfitting
منظمسازی: تابع هزینه
Regularization: Cost Function
ارزیابی یک فرضیه
Evaluating a Hypothesis
انتخاب مدل و مجموعههای آموزش، اعتبارسنجی و تست
Model Selection and Train Validation Test Sets
تشخیص بایاس در مقابل واریانس
Diagnosing Bias vs Variance
منظمسازی و بایاس-واریانس
Regularization and Bias Variance
تخمین پارامتر در شبکههای بیزی
Parameter Estimation in Bayesian Networks
تخمین بیشینه احتمال (MLE)
Maximum Likelihood Estimation
تخمین بیشینه احتمال برای شبکههای بیزی
Maximum Likelihood Estimation for Bayesian Networks
تخمین بیزی
Bayesian Estimation
پیشبینی بیزی
Bayesian Prediction
تخمین بیزی برای شبکههای بیزی
Bayesian Estimation for Bayesian Networks
یادگیری مدلهای بدون جهت
Learning Undirected Models
بیشینه احتمال برای مدلهای خطی لوگاریتیمی
Maximum Likelihood for Log-Linear Models
بیشینه احتمال برای میدانهای تصادفی شرطی (CRF)
Maximum Likelihood for Conditional Random Fields
تخمین MAP برای MRFها و CRFها
MAP Estimation for MRFs and CRFs
نمایش نظرات