آموزش مبانی یادگیری ماشین (Machine Learning Foundations) - مبانی ریاضیات - آخرین آپدیت

درس اول: مسئله یادگیری 第一講：The Learning Problem

• معرفی دوره Course Introduction

• یادگیری ماشین چیست What is Machine Learning

• کاربردهای یادگیری ماشین Applications of Machine Learning

• اجزای یادگیری ماشین Components of Machine Learning

• یادگیری ماشین و سایر حوزه‌ها Machine Learning and Other Fields

درس دوم: یادگیری برای پاسخ‌های بله/خیر 第二講：Learning to Answer Yes/No

• مجموعه فرضیات پرسپترون Perceptron Hypothesis Set

• الگوریتم یادگیری پرسپترون (PLA) Perceptron Learning Algorithm (PLA)

• تضمین الگوریتم PLA Guarantee of PLA

• داده‌های غیرقابل تفکیک Non-Separable Data

درس سوم: انواع یادگیری 第三講：Types of Learning

• یادگیری با فضای خروجی متفاوت Learning with Different Output Space

• یادگیری با برچسب داده‌های متفاوت Learning with Different Data Label

• یادگیری با پروتکل متفاوت Learning with Different Protocol

• یادگیری با فضای ورودی متفاوت Learning with Different Input Space

درس چهارم: امکان‌پذیری یادگیری 第四講：Feasibility of Learning

• آیا یادگیری غیرممکن است؟ Learning is Impossible?

• نجات توسط احتمالات Probability to the Rescue

• ارتباط با یادگیری Connection to Learning

• ارتباط با یادگیری واقعی Connection to Real Learning

درس پنجم: آموزش در مقابل تست 第五講：Training versus Testing

• مرور و پیش‌نمایش Recap and Preview

• تعداد موثر خطوط Effective Number of Lines

• تعداد موثر فرضیات Effective Number of Hypotheses

• نقطه شکست Break Point

درس ششم: تئوری تعمیم 第六講：Theory of Generalization

• محدودیت نقطه شکست Restriction of Break Point

• تابع کران: موارد پایه Bounding Function: Basic Cases

• تابع کران: موارد استقرایی Bounding Function: Inductive Cases

• یک اثبات تصویری A Pictorial Proof

درس هفتم: بعد VC 第七講：The VC Dimension

• تعریف بعد VC Definition of VC Dimension

• بعد VC در پرسپترون‌ها VC Dimension of Perceptrons

• شهود فیزیکی بعد VC Physical Intuition of VC Dimension

• تفسیر بعد VC Interpreting VC Dimension

درس هشتم: نویز و خطا 第八講：Noise and Error

• نویز و هدف احتمالی Noise and Probabilistic Target

• معیار خطا Error Measure

• معیار خطای الگوریتمی Algorithmic Error Measure

• طبقه‌بندی وزنی Weighted Classification