با سلام

این پست شامل  قسمت بیست و دوم از سری فیلم های آموزشی یادگیری ماشین می باشد. این قسمت شامل فصل جدیدی به نام روش های non parametric می باشد. پیش نیاز روش های درخت تصمیم (فصل ششم)، آشنایی با روش های non parametric می باشد. قسمت های بیستم تا بیست و سوم دربرگیرنده روش های non parametric می باشند.

 

 

در قسمت بیستم و دوم انواع معیارهای شباهت، یعنی فاصله، را با ذکر مثال بیان می نماییم:

۱- فاصله اقلیدوسی Euclidean

۲- فاصله ماهالانوبیس Mahalanobis

۳- فاصله منهتن Manhatan یا City block

۴- فاصله کیوبیک Cubic

۵- فاصله چبیچب Chebychev

۶- فاصله مینکوسکی Minkowski

۷- فاصله کوساین Cosine

۸- فاصله کورلیشن Correlation

 

سپس انواع روش های جستجو را با ذکر مثال معرفی و آموزش می دهیم:

۱- جستجو جامع (Exhaustive search)

۲- درخت k بعدی (K-d-tree)

 

سپس مفهوم رگرسیون غیر پارامتریک Non parametric یا مدل های هموارساز Smoothing models را با زبانی ساده بیان می نماییم. انواع روش های رگرسیون غیرپارامتریک را با ذکر مثال آموزش می دهیم:

۱- روش Running mean smoother

۲- روش Kernel smoother

۳- روش Running line smoother

۴- روش Locally weighted running line smoother

 

در پایان نحوه مقداردهی پارامترهای Smoothing ، مزایای و معایب روش های غیرپارامتریک را بیان می نماییم.

تذکر:

آموزش عملی و پیاده سازی این قسمت در متلب را می توانید از اینجا مشاهده نمایید.

 

تذکر۱:

قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید.

تذکر۲:

کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز 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.

با تشکر