آموزش چگونه درباره الگوریتم های یادگیری ماشین فکر کنیم

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

معرفی یادگیری ماشین Introducing Machine Learning

• شناخت برنامه های یادگیری ماشین Recognizing Machine Learning Applications

• دانستن زمان استفاده از یادگیری ماشینی Knowing When to Use Machine Learning

• درک فرآیند یادگیری ماشین Understanding the Machine Learning Process

• شناسایی نوع مسئله یادگیری ماشین Identifying the Type of a Machine Learning Problem

طبقه بندی داده ها در دسته های از پیش تعریف شده Classifying Data into Predefined Categories

• درک راه اندازی یک مسئله طبقه بندی Understanding the Setup of a Classification Problem

• تشخیص جنسیت کاربر Detecting the Gender of a User

• طبقه بندی متن بر اساس احساسات Classifying Text on the Basis of Sentiment

• تصمیم گیری در مورد استراتژی تجارت Deciding a Trading Strategy

• شناسایی تبلیغات Detecting Ads

• درک رفتار مشتری Understanding Customer Behavior

حل مشکلات طبقه بندی Solving Classification Problems

• استفاده از الگوریتم Naive Bayes برای تجزیه و تحلیل احساسات Using the Naive Bayes Algorithm for Sentiment Analysis

• درک زمان استفاده از Naive Bayes Understanding When to use Naive Bayes

• پیاده سازی Naive Bayes Implementing Naive Bayes

• تشخیص تبلیغات با استفاده از ماشین های بردار پشتیبان Detecting Ads Using Support Vector Machines

• پیاده سازی ماشین های بردار پشتیبانی Implementing Support Vector Machines

پیش بینی روابط بین متغیرها با رگرسیون Predicting Relationships between Variables with Regression

• درک تنظیمات رگرسیون Understanding the Regression Setup

• پیش بینی تقاضا Forecasting Demand

• پیش بینی بازده سهام Predicting Stock Returns

• شناسایی ویژگی های صورت Detecting Facial Features

• تقابل و رگرسیون متضاد Contrasting Classification and Regression

حل مشکلات رگرسیون Solving Regression Problems

• معرفی رگرسیون خطی Introducing Linear Regression

• اعمال رگرسیون خطی در معاملات Quant Applying Linear Regression to Quant Trading

• به حداقل رساندن خطا در استفاده از نزول گرادیان تصادفی Minimizing Error Using Stochastic Gradient Descent

• یافتن نسخه بتا برای Google Finding the Beta for Google

• پیاده سازی رگرسیون خطی در پایتون Implementing Linear Regression in Python

پیشنهاد محصولات مرتبط به کاربر Recommending Relevant Products to a User

• قدردانی از نقش توصیه ها Appreciating the Role of Recommendations

• پیش بینی رتبه بندی ها با استفاده از فیلتر کردن مشارکتی Predicting Ratings Using Collaborative Filtering

• یافتن عوامل پنهان که بر رتبه بندی تأثیر می گذارند Finding Hidden Factors that Influence Ratings

• درک الگوریتم حداقل مربعات جایگزین Understanding the Alternative Least Squares Algorithm

• اجرای ALS برای یافتن توصیه های فیلم Implementing ALS to Find Movie Recommendations

خوشه بندی مجموعه های بزرگ داده در گروه های معنی دار Clustering Large Data Sets into Meaningful Groups

• درک راه اندازی خوشه بندی Understanding the Clustering Setup

• خوشه بندی و طبقه بندی متضاد Contrasting Clustering and Classification

• خوشه بندی اسناد با K-Means Document Clustering with K-Means

• پیاده سازی خوشه بندی K-Means Implementing K-Means Clustering

بسته بندی و مراحل بعدی Wrapping up and Next Steps

• روشهای یادگیری ماشین پیمایش Surveying Machine Learning Techniques

• با نگاه به آینده Looking Ahead