چه دوره ای می خواهید یاد بگیرید؟

آینده خود را با دوره های آموزشی دانشجویار تضمین کنید

۵۷۱۷ ساعت فیلم تدریس شده است

بیش از ۵۰ هزار دانشجو

بیش از ۳۰۰ مدرس

صفحه نخست
آموزش های مدرسین
مدرس دکتر جاهد سراوانی
آموزش یادگیری ماشین در متلب – قسمت ۱ تا ۷
یک نظر
بازدید : 1,323 بازدید
آموزش یادگیری ماشین در متلب – قسمت ۱ تا ۷

درس یادگیری ماشین  (Machine Learning) یکی از مهم‌ترین دروس رشته هوش مصنوعی و بسیار پرکاربرد در سایر رشته‌های تحصیلی می‌باشد.

هدف از تهیه این مجموعه از فیلم‌های آموزشی، آشنایی با مباحث یادگیری ماشین بر طبق سرفصل کتاب‌های مرجع از جمله آلپایدین (Alpaydın) و میشل (Tom Mitchell)  و همچنین پیاده‌سازی آن‌ها در محیط  MATLAB است. در این مجموعه سعی شده است که با زبانی ساده به بیان مفاهیم و الگوریتم‌های یادگیری ماشین به‌صورت تئوری و عملی پرداخته شود.

لازم به ذکر است این مجموعه از آموزش‌های گام به‌گام یادگیری ماشین در متلب برای اولین بار در ایران تهیه و توسط یکی از مجرب‌ترین اساتید درزمینهٔ هوش مصنوعی آموزش داده‌شده است.

این مجموعه آموزشی بسیار مناسب برای محققین و دانشجویان در مقاطع کارشناسی، کارشناسی ارشد و دکتری می‌باشد که قصد یادگیری این درس و همچنین استفاده از الگوریتم‌های هوش مصنوعی در مقاله و پایان‌نامه خود را دارند.

ضمناً شما می‌توانید کتاب یادگیری ماشین آلپایدین (Alpaydın) و کتاب میشل (Tom Mitchell) را از سایت متلب یار دانلود کنید.

ضمنا این دوره در بازه های زمانی مشخص به روز می شود.

امیدوارم این مجموعه آموزشی مفید واقع گردد.

آنچه در این آموزش خواهید دید:

  • قسمت اول
    • تعریف یادگیری ماشین
    • بیان هدف یادگیری ماشین
    • بیان مهم‌ترین کاربردهای یادگیری ماشین
    • بیان مدل‌های یادگیری ماشین
    • بیان سرفصل‌های درس یادگیری ماشین
    • ذکر مراجع درس یادگیری ماشین
  • قسمت دوم
    • بیان تعریف و مفهوم آمار (توصیفی و استنتاجی)
    • بیان متغیرهای مطلق و کمی با ذکر مثال
    • تعریف مد، میانه و میانگین با ذکر کاربرد آن‌ها در یادگیری ماشین و احتمالات
    • تعریف محدوده، چارک‌ها، واریانس و انحراف معیار
    • تعریف Z-score روی نمودار
    • تعریف داده‌های دورافتاده (outlier) با ذکر مثال
    • بیان آزمایش تصادفی، فضای نمونه، رخداد و احتمال رخداد
    • بیان دیاگرام درختی با ذکر مثال
    • تعریف احتمال توأم و غیرشرطی
    • تعریف احتمال شرطی با ذکر مثال
    • تعریف رخدادهای مستقل
    • بیان قاعده مهم بیز Bayes
    • تعریف احتمال توأم و غیرشرطی
  • قسمت سوم
    • تعریف و بررسی متغیرهای تصادفی و توزیع احتمال
    • تعریف و نحوه محاسبه امید ریاضی و واریانس متغیر تصادفی
    • تعریف و نحوه محاسبه کوواریانس و ضریب همبستگی
    • بیان محاسبه و کاربرد ضریب همبستگی Pearson
    • بیان توابع توزیع و چگالی احتمال Binomial، Multinomial، Univariate، Multivariate، به همراه مثال
    • بیان و مقایسه روش‌های یادگیری با سرپرست (Supervise)، بدون سرپرست (UnSupervise)، نیمه نظارتی و تقویتی
    • تشریح روش‌های رگرسیون (Regresion)، طبقه‌بندی (Classification)
    • بیان کاربردهای یادگیری بدون سرپرست
    • تعریف خوشه‌بندی (Clustring) و تخمین چگالی (Density estimation)
    • ارائه مثال‌های متنوع جهت بررسی و مقایسه هرکدام از روش‌های یادگیری
  • قسمت چهارم
    • بیان مجموعه تولباکس های یادگیری ماشین در متلب
    • بیان Help متلب برای درس یادگیری ماشین
    • نحوه استفاده از تابع توزیع و چگالی احتمال در متلب
  • قسمت پنجم
    • بیان و تعریف مفاهیم یادگیری در classification، فرضیه‌ها و رگرسیون
    • تعریف مفاهیم True positive , False negative,False positive و True negative
    • تعریف داده‌های نویزی و دلایل ایجاد آن
    • تحلیل پیچیدگی مدل در حضور داده‌های حاوی نویز
    • بررسی روش‌های انتخاب مدل
    • بررسی تعمیم‌پذیری (Generalization)
    • بیان مفهوم Over-fitting و Under-fitting
    • تعریف مفهوم Triple trade-off
    • بیان مفهوم دوراهی بایاس-واریانس (Bias-variance dilemma) با ذکر مثال
    • تشریح مفهوم Cross validation
    • بیان روش‌های انتخاب مدل Regularization
    • مقایسه Cross validation و Regularization
    • بیان ابعاد الگوریتم یادگیری نظارت‌شده
  • قسمت ششم
    • بیان و تعریف مفاهیم تئوری تصمیم‌گیری بیزین (Bayesian)
    • تشریح قاعده Bayes
    • بیان مفهوم احتمال اولیه
    • تعریف مفهوم class likelihood
    • بیان احتمال اولیه مشاهده داده و احتمال ثانویه
    • تشریح یادگیری Bayesian
    • تعریف ریسک و زیان
    • بیان مفهوم توابع جداکننده (Discriminate function)
  • قسمت هفتم
    • رگرسیون خطی (Linear Regression) یک متغیره و چند متغیره
    • روش بهینه سازی گرادیان نزولی
    • رگرسیون خطی چند جمله ای
    • الگوریتم K-fold Cross Validation
    • بیان روش های جلوگیری از Over-fitting

مطلب مفیدی برای شما بود ؟؟ پس به اشتراک بگذارید برای دوستانتان

دریافت کنید

در صورتی که توضیحات نوشته، دموی آموزش و لینک های ارزیابی پاسخگوی سوالات شما در مورد این دوره آموزشی نمی باشد و نیاز به مشاوره بیشتری دارید لطفا این فرم را تکمیل کرده و در ساعات اداری منتظر تماس همکاران ما باشید.
  • *
  • *
  • *
  • *
  • در صورتی که توضیحات نوشته، دموی آموزش و لینک های ارزیابی پاسخگوی سوالات شما در مورد این دوره آموزشی نمی باشد و نیاز به مشاوره بیشتری دارید لطفا این فرم را تکمیل کرده و در ساعات اداری منتظر تماس همکاران ما باشید.

    پیام شما با موفقیت ثبت شد. در اولین فرصت با شما تماس گرفته خواهد شد.
    • مطالب مرتبط
    • دیگر آموزش های مرتبط با این مدرس
    • رزومه مدرس

    نظرات کاربران

    ۱
    • ترنم
      یکشنبه ۲ آبان ۱۳۹۵ - ۱۸:۳۲

      سلام
      خیلی ممنون از فیلم های خوبتون.

    دوره های آنلاین دانشجویار

    دسته بندی

    تحصیلات تکمیلی

    رشته الکترونیک

    رشته کامپیوتر

    سایر دسته های دانشجویار

    سایر نرم افزارها

    کلاس آنلاین

    مدرسین

    تعداد دوره
    بر اساس امتیاز
    حروف الفبا
    • کد تخفیف :

      goldpack

      ویژه خرید پکیج طلایی (C#,ASP,PHP,Android,Network)
      60 درصد تخفیف

    مطالب سایت بر اساس

    جدیدترین ها
    محبوب ترین ها
    بطور تصادفی
    دانشجویار نماد اعتماد الكترونیكی کسب و کار های اینترنتی مجوز نشر دیجیتال لوگو شرکت به پرداخت ملت ساماندهی محتوای فضای مجازی بانک تجارت دانشجویار