با سلام

این پست شامل  قسمت هفتم از سری فیلم های آموزشی یادگیری ماشین می باشد.در این قسمت مفاهیم و توضیحات مربوط به روش رگرسیون خطی با زبانی ساده و روان به تفصیل بیان می گردد.

مهمترین مطالب و موضوعاتی که در هر قسمت بیان شده را بطور مختصر در زیر مشاهده می نمایید:

پارت اول:

۱- بیان و تعریف مفاهیم رگرسیون خطی (Linear Regression)

۲- بیان تابع هزینه

۳- تشریح روش بهینه سازی گرادیان نزولی

۴- بیان رگرسیون خطی یک متغیره

 

پارت دوم :

۱- بیان رگرسیون خطی چند متغیره

۲- تشریح روش گرادیان نزولی برای رگرسیون خطی چند متغیره

۳- بیان رگرسیون خطی چند جمله ای

۴- تشریح معادلات نرمال

۵- مقایسه دو روش گرادیان نزولی و معادلات نرمال

۶- تشریح نحوه محاسبه RMSE و R2 جهت محاسبه خطا

۷- تحلیل Over-fitting و بیان روش های جلوگیری از Over-fitting

۸- بررسی Regularization

۹- تشریح روش گرادیان نزولی برای Regularized Linear regression 

۱۰- بیان و بررسی الگوریتم K-fold Cross Validation

 

 

پارت سوم:

در این پارت تمامی موارد مذکور فوق در قالب ۳ برنامه بصورت عملی در متلب پیاده سازی شده و با جزئیات کامل آموزش داده شده است:

۱- آموزش کد نویسی رگرسیون خطی و …

۲- آموزش استفاده از toolbox متلب برای رگرسیون خطی

۳- تمامی سورس کدها موجود و قابل دانلود می باشد

 

 

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.

تذکر۳:

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.

کلید واژه:

یادگیری ماشین در متلب,رگرسیون خطی, Linear Regression, cost function, تابع هزینه, گرادیان نزولی, gradient descent, بهینه سازی گرادیان نزولی, رگرسیون خطی یک متغیره, رگرسیون خطی چند متغیره, رگرسیون خطی چند جمله ای, معادلات نرمال, RMSE, خطا RMSE, Over-fitting, جلوگیری از Over-fitting, بررسی Regularization, Regularized Linear regression , الگوریتم K-fold Cross Validation, K-fold, الگوریتم K-fold,