آموزش تکنیک‌های یادگیری ماشین (Machine Learning Techniques) - آخرین آپدیت

فصل اول: ماشین بردار پشتیبان خطی (Linear SVM) 第一講：Linear Support Vector Machine

• معرفی دوره Course Introduction

• ابرصفحه جداکننده با حاشیه بزرگ Large-Margin Separating Hyperplane

• مسئله استاندارد حاشیه بزرگ Standard Large-Margin Problem

• ماشین بردار پشتیبان (SVM) Support Vector Machine

• دلایل استفاده از ابرصفحه با حاشیه بزرگ Reasons behind Large-Margin Hyperplane

فصل دوم: ماشین بردار پشتیبان دوگان (Dual SVM) 第二講：Dual Support Vector Machine

• انگیزه استفاده از Dual SVM Motivation of Dual SVM

• ماشین بردار پشتیبان دوگان لاگرانژ Lagrange Dual SVM

• حل مسئله Dual SVM Solving Dual SVM

• مفاهیم پشت پرده Dual SVM Messages behind Dual SVM

فصل سوم: ماشین بردار پشتیبان هسته (Kernel SVM) 第三講：Kernel Support Vector Machine

• ترفند هسته (Kernel Trick) Kernel Trick

• هسته چندجمله‌ای Polynomial Kernel

• هسته گاوسی Gaussian Kernel

• مقایسه انواع هسته‌ها Comparison of Kernels

فصل چهارم: ماشین بردار پشتیبان حاشیه نرم (Soft Margin SVM) 第四講：Soft-Margin Support Vector Machine

• انگیزه و مسئله اولیه (Primal) Motivation and Primal Problem

• مسئله دوگان (Dual) Dual Problem

• مفاهیم Soft Margin SVM Messages behind Soft-Margin SVM

• انتخاب مدل Model Selection

فصل پنجم: رگرسیون لجستیک هسته (Kernel Logistic Regression) 第五講：Kernel Logistic Regression

• مدل Soft Margin SVM به عنوان مدل منظم‌سازی شده Soft-Margin SVM as Regularized Model

• مقایسه SVM با رگرسیون لجستیک SVM versus Logistic Regression

• استفاده از SVM برای طبقه‌بندی باینری نرم SVM for Soft Binary Classification

• رگرسیون لجستیک هسته Kernel Logistic Regression

فصل ششم: رگرسیون بردار پشتیبان (SVR) 第六講：Support Vector Regression

• رگرسیون ریج هسته (Kernel Ridge Regression) Kernel Ridge Regression

• رگرسیون بردار پشتیبان اولیه Support Vector Regression Primal

• رگرسیون بردار پشتیبان دوگان Support Vector Regression Dual

• خلاصه مدل‌های هسته Summary of Kernel Models

فصل هفتم: ترکیب و بگینگ (Blending and Bagging) 第七講：Blending and Bagging

• انگیزه تجمیع (Aggregation) Motivation of Aggregation

• ترکیب یکنواخت (Uniform Blending) Uniform Blending

• ترکیب خطی و سایر روش‌های Blending Linear and Any Blending

• روش بگینگ (Bootstrap Aggregation) Bagging (Bootstrap Aggregation)

فصل هشتم: تقویت تطبیقی (Adaptive Boosting) 第八講：Adaptive Boosting

• انگیزه تقویت (Boosting) Motivation of Boosting

• تنوع‌بخشی از طریق وزن‌دهی مجدد Diversity by Re-weighting

• الگوریتم تقویت تطبیقی (AdaBoost) Adaptive Boosting Algorithm

• پیاده‌سازی AdaBoost در عمل Adaptive Boosting in Action

فصل نهم: درخت تصمیم (Decision Tree) 第九講：Decision Tree

• فرضیه درخت تصمیم Decision Tree Hypothesis

• الگوریتم درخت تصمیم Decision Tree Algorithm

• روش‌های اکتشافی درخت تصمیم در CART Decision Tree Heuristics in C&RT

• پیاده‌سازی درخت تصمیم در عمل Decision Tree in Action

فصل دهم: جنگل تصادفی (Random Forest) 第十講：Random Forest

• الگوریتم جنگل تصادفی (Random Forest) Random Forest Algorithm

• تخمین Out-Of-Bag Out-Of-Bag Estimate

• انتخاب ویژگی (Feature Selection) Feature Selection

• پیاده‌سازی جنگل تصادفی در عمل Random Forest in Action

فصل یازدهم: درخت تصمیم تقویت شده گرادیانی (GBDT) 第十一講：Gradient Boosted Decision Tree

• درخت تصمیم تقویت شده تطبیقی Adaptive Boosted Decision Tree

• دیدگاه بهینه‌سازی در AdaBoost Optimization View of AdaBoost

• تقویت گرادیانی (Gradient Boosting) Gradient Boosting

• خلاصه مدل‌های تجمیعی Summary of Aggregation Models

فصل دوازدهم: شبکه عصبی (Neural Network) 第十二講：Neural Network

• انگیزه و مقدمه Motivation

• فرضیه شبکه عصبی Neural Network Hypothesis

• یادگیری در شبکه عصبی Neural Network Learning

• بهینه‌سازی و منظم‌سازی (Regularization) Optimization and Regularization

فصل سیزدهم: یادگیری عمیق (Deep Learning) 第十三講：Deep Learning

• شبکه عصبی عمیق Deep Neural Network

• اتوانکودر (Autoencoder) Autoencoder

• اتوانکودر حذف نویز (Denoising Autoencoder) Denoising Autoencoder

• تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis

فصل چهاردهم: شبکه تابع شعاعی (RBF Network) 第十四講：Radial Basis Function Network

• فرضیه شبکه RBF RBF Network Hypothesis

• یادگیری در شبکه RBF RBF Network Learning

• الگوریتم k-Means k-Means Algorithm

• پیاده‌سازی k-Means و شبکه RBF در عمل k-Means and RBF Network in Action

فصل پانزدهم: تجزیه ماتریسی (Matrix Factorization) 第十五講：Matrix Factorization

• فرضیه شبکه خطی Linear Network Hypothesis

• مبانی تجزیه ماتریسی Basic Matrix Factorization

• گرادیان کاهشی تصادفی (SGD) Stochastic Gradient Descent

• خلاصه مدل‌های استخراج ویژگی Summary of Extraction Models

فصل شانزدهم: جمع‌بندی نهایی 第十六講：Finale

• تکنیک‌های بهره‌برداری از ویژگی‌ها Feature Exploitation Techniques

• تکنیک‌های بهینه‌سازی خطا Error Optimization Techniques

• تکنیک‌های حذف بیش‌برازش (Overfitting) Overfitting Elimination Techniques

• یادگیری ماشین در دنیای واقعی Machine Learning in Practice