فیلم های آموزشی درس یادگیری ماشین

7 رای
 ویدئو آموزشی  یادگیری ماشین

توضیحات درس

یادگیری ماشینی (Machine learning) به بررسی روش هایی می پردازد که به رایانه ها امکان استفاده از داده ها و یاد گیری از آن ها برای بهبود عملکردهای مختلف را می دهد. هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی‌ بالاتری در وظیفهٔ مورد نظر پیدا کند. نمونه هایی از کاربردهای یادگیری ماشین می تواند الگوریتم های تشخیص چهره، جداسازی هرزنامه و بازشناسی گفتار می باشد.

درباره استاد : Andrew Ng

اندرو ان جی استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است . وی هم چنین بنیان گذار کورس ارا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا هست. او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه های پژوهش او هوش مصنوعی و علوم رباتیک است.

    یادگیری ماشین - جلسه 1 - انگیزه و کاربردهای یادگیری ماشین، قواعد کلاس، تعریف یادگیری ماشین، مروری بر یادگیری با نظارت، مروری بر تئوری یادگیری، مروری بر یادگیری بدون نظارت لغات کلیدی :

    یادگیری ماشین - جلسه 3 - مفهوم بیش برازش و کم برازش، مفهوم الگوریتم¬های پارامتری و غیر پارامتری، رگرسیون وزن¬دار محلی، تعبیر احتمالاتی از رگرسیون خطی، انگیزه¬ی رگرسیون منطقی، رگرسیون منطقی، ادراک

    یادگیری ماشین - جلسه 4 - روش نیوتن، خانواده¬ی توابع نمایی، مثالی از تابع برنولی، مثال از تابع گوسی، مدل¬های خطی عمومی، مثالی از چند جمله¬ای، رگرسیون بیشینه-نرم

    یادگیری ماشین - جلسه 2 - کاربردی از یادگیری با نظارت – رانندگی خودمختار، رگرسیون خطی، گرادیان نزولی، گرادیان نزولی دسته¬ای، گرادیان نزولی احتمالاتی (نزول افزایشی)، نمادگذاری مشتق¬گیری ماتریسی برای ایجاد معادلات نرمال، مشتق معادلات نرمال

    یادگیری ماشین - جلسه 5 - الگورریتم¬های تمیزدهنده، الگوریتم¬های تولیدکننده، تحلیل¬های تمیزدهنده¬ی گوسی، تحلیل¬های تمیزدهنده¬ی گوسی و رگرسیون منطقی، بیز خام، نرم کردن لاپلاسی

    یادگیری ماشین - جلسه 6 - مدل رویداد چند جمله¬ای، طبقه¬بندهای غیر خطی، شبکه عصبی، کاربردهای شبکه عصبی، شهودی از ماشین بردار پشتیبان (SVM)، نمادهایی برای SVM، حاشیه¬های تابعی و هندسی

    یادگیری ماشین - جلسه 7 -طبقه¬بندی با حاشیه¬ی بهینه، دوگانی لاکرانژ، شرایط Karush-kuhn-tucker، دوگان SVM، مفهوم کرنل¬ها

    یادگیری ماشین - جلسه 8 - کرنل¬ها، تئوری مرسر، مرزهای تصمیم غیرخطی و SVM با حاشیه¬ی نرم، الگوریتم مختصات صعودی، الگوریتم بهینه¬سازی کمینه¬سازی ترتیبی، کاربردهای SVM

    یادگیری ماشین - جلسه 9 - تعادل بین بایاس و واریانس، کمینه¬سازی ریسک به صورت تجربی، محدوده¬ی متحد، نامساوی Hoeffding، همگرایی یکنواخت – برای H محدود، محدوده¬ی پیچیدگی نمونه، محدوده¬ی خطا، قضیه و نتیجه¬ی همگرایی یکنواخت

    یادگیری ماشین - جلسه 11 - تنظیم و آمار شناسی بیزی، یادگیری برخط، پیشنهادهایی برای به کارگیری الگوریتم¬های یادگیری ماشین، الگوریتم¬های یادگیری اشکال¬زدایی/تثبیت، تشخیص بایاس و واریانس، امکانات عیب¬شناسی الگوریتم بهینه¬سازی، مثال تشخیص عیب – هلی کوپتر خودمختار، تحلیل خطا، شروع با یک مسئله¬ی یادگیری

    یادگیری ماشین - جلسه 10 - همگرایی یکنواخت – برای H نامحدود، مفهوم شکستن به قطعات و بَعد VC، مثالی از SVM، انتخاب مدل، تعیین اعتبار ضربدری، انتخاب ویژگی

    یادگیری ماشین - جلسه 12 - مفهوم یادگیری بدون نظارت، الگوریتم خوشه¬بندی k-میانگین، الگوریتم k-میانگین، ترکیبی از گوسی و الگوریتم EM، نامساوی جنسون، الگوریتم EM، خلاصه

    یادگیری ماشین - جلسه 13 - ترکیبی از گوسی، ترکیبی از بیز خام – خوشه¬بندی متن، تحلیل¬های فاکتوری، محدودیت¬های ماتریس کواریانس، مدل تحلیل فاکتور، EM برای تحلیل فاکتور

    یادگیری ماشین - جلسه 16 - کاربردهای یادگیری تقویتی، فرایند تصمیم مارکوف (MDP)، تعریف توابع ارزش و سیاست، تابع ارزش، تابع ارزش بهینه، الگوریتم تکرار ارزش، الگوریتم تکرار سیاست

    یادگیری ماشین - جلسه 14 - مدل تحلیل فاکتور، EM برای تحلیل فاکتور، تحلیل اجزای اصلی (PCA)، PCA به عنوان یک الگوریتم کاهش بَعد، کاربردهای PCA، تشخیص چهره با استفاده از PCA

    یادگیری ماشین - جلسه 17 - تعمیم به فضای حالت پیوسته، گسسته سازی و مشکل بَعد بالا، مدل¬ها/شبیه¬سازها، الگوریتم تکرار ارزش سازگار، یافتن سیاست بهینه

    یادگیری ماشین - جلسه 15 - اندیس¬گذاری معنایی بالقوه، پیاده¬سازی تجزیه به مقادیر منفرد (SVD)، تحلیل اجزای مستقل (ICA)، کاربرد ICA، تابع توزیع تجمعی، الگوریتم ICA، کاربردهای ICA

    یادگیری ماشین - جلسه 18 - پاداش¬های حالت-عمل، MDP با افق محدود، مفهوم سیستم¬های دینامیکی، مثالی از مدل¬های دینامیک، تعدیل درجه دو خطی، خطی¬سازی یک مدل غیر خطی، محاسبه¬ی پاداش، معادله¬ی ریکاتی

    یادگیری ماشین - جلسه 20 - MDPهای غیر مشاهده پذیر کامل، جستجوی سیاست، الگوریتم تقویتی، الگوریتم پگاسس، جستجوی سیاست پگاسس، کاربردهای یادگیری تقویتی

    یادگیری ماشین - جلسه 19 - پیشنهادهایی برای به کارگیری یادگیری ماشین، اشکال¬زدایی الگوریتم یادگیری تقویتی، تنظیم درجه دو خطی، برنامه¬نویسی پویای تفاضلی، فیلتر کالمن و درجه دو خطی گوسی، گام¬های پیش¬بینی و به روزسازی در روش فیلتر کالمن، درجه دو

نطر کاربران درباره این مطلب
عسل
سلام فیلم های اموزش گام به گام یادگیری ماشین به زبان فارسی می تونین از سایت متلب یار مشاهده و دانلود کنین:www.matlabyar.com بنظرم خیلی ساده و روان آموزش دادن. من که استفاده کردم
نظر شما درباره این مطلب:

نام :

پیشنهاد :

counter free hit unique web