آموزش یادگیری ماشین و کاربردهای آن - آخرین آپدیت

مبانی یادگیری ماشین ۱: مفاهیم پایه Machine Learning Fundamentals I: Basic Concepts

• خوش‌آمدگویی به تخصص هوش مصنوعی کاربردی برای مهندسان و دانشمندان: مبانی Welcome to the specialization - Applied AI for Engineers and Scientists: Foundations

• مقدمه‌ای بر مطالعه ماژول ۷ Introduction to Module 7's Study

• مبانی یادگیری ماشین: یادگیری ماشین چیست Machine Learning Fundamentals: What is Machine Learning

• مبانی یادگیری ماشین: مفاهیم بنیادی در یادگیری ماشین (۱) Machine Learning Fundamentals: Fundamental Concepts in Machine Learning (1)

• مبانی یادگیری ماشین: مفاهیم بنیادی در یادگیری ماشین (۲) Machine Learning Fundamentals: Fundamental Concepts in Machine Learning (2)

• نگاشت ورودی‌ها به خروجی‌ها: نمایش داده‌ها Mapping Inputs to Outputs: Data Representation

• نگاشت ورودی‌ها به خروجی‌ها: مدل پارامتریک ML Mapping Inputs to Outputs: Parametric ML Model

• نگاشت ورودی‌ها به خروجی‌ها: مدل غیرپارامتریک ML Mapping Inputs to Outputs: Non-Parametric ML Model

• نگاشت ورودی‌ها به خروجی‌ها: ارزیابی خروجی Mapping Inputs to Outputs: Evaluate Output

• پیاده‌سازی در MATLAB: رگرسیون خطی ساده و KNN MATLAB Implementation: Simple Linear Regression and KNN

مبانی یادگیری ماشین ۲: آموزش و ارزیابی مدل Machine Learning Fundamentals II: Model Training and Evaluation

• مقدمه‌ای بر مطالعه ماژول ۸ Introduction to Module 8's Study

• مبانی آموزش مدل ML: پارامترها، هایپرپارامترها و توابع زیان ML Model Training Fundamentals: Parameters, Hyperparameters, and Loss Functions

• مبانی آموزش مدل ML: توابع زیان و گرادیان کاهشی ML Model Training Fundamentals: Loss Functions and Gradient Descent

• مبانی آموزش مدل ML: گرادیان کاهشی ML Model Training Fundamentals: Gradient Descent

• مبانی ارزیابی مدل ML: مفاهیم بنیادی در ارزیابی مدل ML ML Model Evaluation Fundamentals: Fundamental Concepts in ML Model Evaluation

• مبانی ارزیابی مدل ML: مفاهیم بنیادی در ارزیابی مدل ML ML Model Evaluation Fundamentals: Fundamental Concepts in ML Model Evaluation

• خلاصه‌ای از فرآیند یادگیری ماشین Summary of the ML Process

آماده‌سازی داده‌ها Data Preparation

• مقدمه‌ای بر مطالعه ماژول ۹ Introduction to Module 9's Study

• مرور پاک‌سازی پایه داده‌ها Basic Data Cleaning Review

• توزیع‌ها، داده‌های پرت و حذف آن‌ها: توزیع گاوسی، چولگی و داده‌های پرت Distributions, Outliers and Their Removal: Gaussian Distribution, Skewness and Outliers

• توزیع‌ها، داده‌های پرت و حذف آن‌ها: روش Z-Score و IQR برای حذف داده‌های پرت Distributions, Outliers and Their Removal: The Z-Score and IQR Method for Outliers Removal

• تبدیل داده‌ها: نرمال‌سازی، استانداردسازی و تبدیل توان Data Transform: Normalization, Standardization, Power Transform

• ساخت مجموعه‌های آموزش و تست برای ارزیابی مدل: روش‌ها، پیاده‌سازی و نمونه‌برداری طبقه‌بندی شده Construct Training and Test Sets for Model Evaluation: Methods, Implementation, and Stratified Sampling

• ساخت مجموعه‌های آموزش و تست برای ارزیابی مدل: اعتبارسنجی متقاطع (Cross Validation) Construct Training and Test Sets for Model Evaluation: Cross-Validation

• مروری کلی بر آماده‌سازی داده‌ها Data Preparation Overview

ماشین‌های بردار پشتیبان (SVM) Support Vector Machines

• مقدمه‌ای بر مطالعه ماژول ۱۰ Introduction to Module 10's Study

• مبانی ماشین بردار پشتیبان: مفاهیم Support Vector Machine Fundamentals: Concepts

• مبانی ماشین بردار پشتیبان: انواع SVM Support Vector Machine Fundamentals: Types of SVM

• ماشین‌های بردار پشتیبان: SVM خطی با طبقه‌بندی‌کننده حاشیه سخت Support Vector Machines: Linear SVM of Hard Margin Classifier

• ماشین‌های بردار پشتیبان: SVM خطی با طبقه‌بندی‌کننده حاشیه نرم Support Vector Machines: Linear SVM of Soft Margin Classifier

• ماشین‌های بردار پشتیبان: SVM غیرخطی Support Vector Machines: Non-Linear SVM

• ماشین‌های بردار پشتیبان: SVM چندکلاسه Support Vector Machines: Multi-Class SVM

• پیاده‌سازی ماشین بردار پشتیبان: اجرای SVM در MATLAB Support Vector Machine Implementation: MATLAB Implementation of SVM

• پیاده‌سازی ماشین بردار پشتیبان: مثال گل زنبق (Iris) Support Vector Machine Implementation: Iris Flower Example

• پیاده‌سازی ماشین بردار پشتیبان: مثال طبقه‌بندی نقاط دو بعدی Support Vector Machine Implementation: 2D Point Classification Example

• مطالعه موردی ۱: طبقه‌بندی اسکناس (SVM خطی) Case Study 1: Banknote Classification (Linear SVM)

• مطالعه موردی ۲: طبقه‌بندی کشمش (SVM غیرخطی) Case Study 2: Raisin Classification (Non-Linear SVM)

شبکه‌های عصبی مصنوعی Artificial Neural Networks

• مقدمه‌ای بر مطالعه ماژول ۱۱ Introduction to Module 11's Study

• مقدمه‌ای بر شبکه‌های عصبی مصنوعی Artificial Neural Network Introduction: Introduction

• مقدمه‌ای بر شبکه‌های عصبی مصنوعی: ساختار ANN Artificial Neural Network Introduction: ANN Structure

• آموزش شبکه عصبی: انتشار رو به جلو (Forward Propagation) Neural Network Training: Forward Propagation

• آموزش شبکه عصبی: انتشار رو به عقب (Backward Propagation) Neural Network Training: Backward Propagation

• آموزش شبکه عصبی: نکات تکمیلی در آموزش شبکه‌های عصبی Neural Network Training: More on Neural Network Training

• بیش‌برازش و کم‌برازش: مفاهیم Underfitting and Overfitting: Concepts

• بیش‌برازش و کم‌برازش: روش‌های بهبود بیش‌برازش (Overfitting) Underfitting and Overfitting: Methods to Improve Overfitting

• پیاده‌سازی ANN در MATLAB و مطالعات موردی: ساخت یک ANN با استفاده از MATLAB ANN Implementation in MATLAB and Case Studies: Build an ANN Using MATLAB

• پیاده‌سازی ANN در MATLAB و مطالعات موردی: مطالعه موردی تشخیص دیابت ANN Implementation in MATLAB and Case Studies: A Case Study on Diabetes Diagnosis

• آموزش: اپلیکیشن‌های Classification Learner و Regression Learner در MATLAB Tutorial: MATLAB Classification and Regression Learner Apps

• آموزش: طبقه‌بندی‌کننده (Classification Learner) Tutorial: Classification Learner

• آموزش: خروجی گرفتن از مدل (Export Model) Tutorial: Export Model

• آموزش: رگرسیون‌کننده (Regression Learner) Tutorial: Regression Learner