- اطلاعات کلی
- مدرس : دکتر جاهد سراوانی
- قسمت : فصل سوم - قسمت 8
- وضعیت محصول : رایگان
- نوع آموزش : تصویری
- زبان : فارسی
- مدت زمان : 46 + 53 دقیقه
- حجم دوره: 72 + 105 مگابایت
- تاریخ : ۲۲ آبان ۱۳۹۵
با سلام
این پست مربوط به فصل سوم (قسمت ۸) از مجموعه فیلم های آموزش یادگیری ماشین در متلب می باشد. در این قسمت از فصل سوم رگرسیون منطقی آموزش داده میشود.
مهمترین مطالب و موضوعاتی که در قسمت هشتم بیان شده را بطور مختصر در زیر مشاهده می نمایید:
پارت اول از فصل سوم رگرسیون منطقی:
۱- بیان و تعریف مفاهیم رگرسیون منطقی (Logistic Regression)
۲- بیان تابع Logistic یا Sigmoid
۳- بررسی خطا و تابع هزینه رگرسیون منطقی
۴- بیان تفاوت های رگرسیون خطی و منطقی
۵- تشریح الگوریتم One Vs all
۶- بررسی Regularized logistic regression در رگرسیون منطقی
۷- آموزش گرادیان نزولی برای رگرسیون منطقی
۸- بررسی عملکرد رگرسیون Logistic
پارت اول (مباحث تئوری) را می توانید بصورت رایگان از قسمت آموزش رگرسیون منطقی دانلود نمایید.
پارت دوم از فصل سوم رگرسیون منطقی:
در این پارت تمامی موارد مذکور فوق در قالب یک برنامه بصورت عملی در متلب پیاده سازی شده و با جزئیات کامل آموزش داده شده است:
۱- آموزش کد نویسی رگرسیون منطقی و …
۲- آموزش استفاده از toolbox متلب برای رگرسیون منطقی
۳- تمامی سورس کدهای متلب موجود و قابل دانلود می باشد.
بخش هایی از پارت دوم (مباحث کدنویسی) را می توانید بصورت رایگان در قسمت (دمو آموزشی رگرسیون منطقی در متلب) مشاهده نمایید.
.
هدف از تهیه این مجموعه از فیلم های آموزشی، آشنایی با مباحث یادگیری ماشین (Machine Learning) بر طبق سرفصل کتاب های مرجع از جمله آلپایدین (Alpaydın) و میشل (Tom Mitchell) و همچنین پیاده سازی آنها در محیط MATLAB است. درس یادگیری ماشین یکی از مهمترین دروس رشته هوش مصنوعی و بسیار پرکاربرد در سایر رشته های تحصیلی می باشد. در این مجموعه سعی شده است که با زبانی ساده به بیان مفاهیم و الگوریتم های یادگیری ماشین بصورت تئوری و عملی پرداخته شود.
سرفصل های این مجموعه آموزشی یادگیری ماشین در متلب شامل موارد زیر می باشد:
سرفصل های آموزش یادگیری ماشین:
فصل اول: آمار مقدماتی
فصل دوم: مفهوم یادگیری نظارت شده
فصل سوم: رگرسیون خطی و رگرسیون منطقی
فصل چهارم: روش های طبقه بندی پارامتریک
فصل پنجم: شبکه های عصبی
فصل ششم: روش های طبقه بندی غیر پارامتریک
فصل هفتم: درخت تصمیم گیری
فصل هشتم: ماشین بردار پشتیبان SVM
فصل نهم: روش های ترکیبی Ensemble Methods
تذکر۱:
کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز از اینجا دانلود نمایید.
تذکر۲:
اسلایدهای این مجموعه آموزشی را می توانید از اینجا دانلود نمایید.
لازم به ذکر است این مجموعه از آموزش های گام به گام یادگیری ماشین در متلب برای اولین بار در ایران تهیه و توسط یکی از مجربترین اسانید در زمینه هوش مصنوعی آموزش داده شده است.
این مجموعه آموزشی بسیار مناسب برای محققین و دانشجویان در مقاطع کارشناسی، کارشناسی ارشد و دکتری می باشد که قصد یادگیری این درس و همچنین استفاده ازالگوریتم های هوش مصنوعی در مقاله و پایان نامه خود را دارند.
