آموزش مفاهیم یادگیری ماشین
آموزش مفاهیم یادگیری ماشین، شامل اصول و مبانی یادگیری ماشین، الگوریتم ها و مدل ها، و کاربردهای عملی در پروژه های واقعی است.
چهل و یک بخش برای صد و سیزده درس، یعنی هر مبحث یک بخش کوچک جدا دارد و می شود دقیقا سراغ همان رفت. این دوره مسیر کلاسیک یادگیری ماشین را طی می کند: رگرسیون، رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان، خوشه بندی، تحلیل مولفه اصلی، تشخیص ناهنجاری و سیستم توصیه گر. مثال ها با اکتیو و متلب کار می شوند، نه پایتون.
چهل و یک بخش کوچک و مسیری که می سازند
- خوش آمد (۱ درس). می دانید دوره چطور چیده شده
- مقدمه یادگیری ماشین (۴ درس). تعریف و انواع یادگیری را می شناسید
- مدل و تابع هزینه (۴ درس). می فهمید مدل چطور سنجیده می شود
- یادگیری پارامترها (۳ درس). گرادیان کاهشی را می فهمید
- مرور جبر خطی (۶ درس). بردار و ماتریس لازم دوره را مرور می کنید
- رگرسیون خطی چندمتغیره (۵ درس). با چند ویژگی پیش بینی می کنید
- محاسبه تحلیلی پارامترها (۲ درس). جواب بسته را کنار روش تکراری می گذارید
- ارسال تمرین های برنامه نویسی (۱ درس). روش تحویل تمرین ها را می دانید
- آموزش اکتیو و متلب (۶ درس). محیط تمرین های دوره را یاد می گیرید
- طبقه بندی و بازنمایی (۳ درس). مسئله طبقه بندی را تعریف می کنید
- مدل رگرسیون لجستیک (۳ درس). طبقه بندی دودویی را پیاده می کنید
- طبقه بندی چندکلاسه (۱ درس). مسئله چند کلاسی را حل می کنید
- حل مشکل بیش برازش (۴ درس). با منظم سازی از بیش برازش جلوگیری می کنید
- انگیزه شبکه عصبی (۲ درس). می فهمید چرا شبکه عصبی لازم شد
- شبکه های عصبی (۲ درس). ساختار شبکه را می شناسید
- کاربردها (۳ درس). نمونه کاربرد شبکه عصبی را می بینید
- تابع هزینه و پس انتشار (۳ درس). پس انتشار خطا را می فهمید
- پس انتشار در عمل (۴ درس). شبکه را عملا آموزش می دهید
- کاربرد شبکه های عصبی (۱ درس). یک مسئله واقعی را با شبکه حل می کنید
- ارزیابی الگوریتم یادگیری (۳ درس). کیفیت مدل را می سنجید
- بایاس در برابر واریانس (۴ درس). می فهمید مدل کم برازش دارد یا بیش برازش
- ساخت طبقه بند هرزنامه (۲ درس). یک مسئله واقعی متن را حل می کنید
- داده نامتوازن (۲ درس). با کلاس های نابرابر درست برخورد می کنید
- استفاده از داده بزرگ (۱ درس). می دانید کی داده بیشتر جواب می دهد
- طبقه بندی با حاشیه بزرگ (۳ درس). ماشین بردار پشتیبان را می فهمید
- کرنل ها (۲ درس). مرز غیرخطی می سازید
- ماشین بردار پشتیبان در عمل (۱ درس). این روش را روی داده واقعی به کار می برید
- خوشه بندی (۵ درس). الگوریتم کی میانگین را پیاده می کنید
- انگیزه کاهش ابعاد (۲ درس). می دانید چرا ابعاد را کم می کنیم
- تحلیل مولفه اصلی (۲ درس). این روش را اجرا می کنید
- به کار بردن تحلیل مولفه اصلی (۳ درس). تعداد مولفه را درست انتخاب می کنید
- تخمین چگالی (۳ درس). توزیع داده را مدل می کنید
- ساخت سیستم تشخیص ناهنجاری (۳ درس). داده پرت را به شکل نظام مند پیدا می کنید
- توزیع گاوسی چندمتغیره (۲ درس). حالت پیشرفته تر تشخیص ناهنجاری را می بینید
- پیش بینی امتیاز فیلم (۲ درس). مسئله سیستم توصیه گر را تعریف می کنید
- فیلترینگ مشارکتی (۲ درس). توصیه بر اساس شباهت کاربران می سازید
- فاکتورگیری ماتریس کم رتبه (۲ درس). پشت صحنه ریاضی توصیه گر را می فهمید
- گرادیان کاهشی روی داده بزرگ (۴ درس). روی داده حجیم مدل آموزش می دهید
- مباحث پیشرفته (۲ درس). با روش های تکمیلی آشنا می شوید
- تشخیص متن در تصویر (۴ درس). یک خط لوله کامل یادگیری ماشین را می بینید
- قدم بعدی (۱ درس).
سطح، حجم و زبان مثال ها
سطح دوره متوسط است و ۱۱۳ درس ویدیویی در ۴۱ بخش دارد. زیرنویس انگلیسی برای هر درس موجود است. فایل تمرین جداگانه در پوشه نیست و تمرین های برنامه نویسی در خود ویدیوها معرفی می شوند.
باید جبر خطی پایه و برنامه نویسی بدانید. دوره یک بخش مرور جبر خطی دارد ولی از صفر ریاضی شروع نمی کند. مثال ها با اکتیو و متلب اجرا می شوند و اگر پایتون کار هستید باید معادل ها را خودتان بنویسید.
برای چه کسی نوشته شده
برای کسی که می خواهد یادگیری ماشین را از پایه ریاضی بفهمد، نه اینکه فقط کتابخانه صدا بزند.
اگر دنبال یادگیری عمیق مدرن با پایتون و تنسورفلو هستید، این دوره روش های کلاسیک را پوشش می دهد و ابزارش هم پایتون نیست.
ممکن است بپسندید
هنوز دیدگاهی ثبت نشده است.