با سلام

این پست شامل  قسمت پنجم و ششم از سری فیلم های آموزشی یادگیری ماشین می باشد.در این دو قسمت مفاهیم و توضیحات مربوط به یادگیری نظارت شده 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:

قسمت ۵:

۱- بیان و تعریف مفاهیم یادگیری در classification، فرضیه ها و رگرسیون

۲- تعریف مفاهیم True positive , False negative ,False positive و True negative

۳- تعریف داده های نویزی و دلایل ایجاد آن

۴- تحلیل پیچیدگی مدل در حضور داده های حاوی نویز

۵- بررسی روش های انتخاب مدل

۶- بررسی تعمیم پذیری (Generalization)

۷- بیان مفهوم Over-fitting و Under-fitting

۸- تعریف مفهوم Triple trade-off

۹- بیان مفهوم دوراهی بایاس-واریانس (Bias-variance dilemma) با ذکر مثال

۱۰- تشریح مفهوم Cross validation

۱۱- بیان روش های انتخاب مدل Regularization

۱۲- مقایسه Cross validation و Regularization

۱۳- بیان ابعاد الگوریتم یادگیری نظارت شده

 

قسمت ۶:

۱- بیان و تعریف مفاهیم تئوری تصمیم گیری بیزین (Bayesian)

۲- تشریح قاعده Bayes

۳- بیان مفهوم احتمال اولیه

۴- تعریف مفهوم class likelihood

۵- بیان احتمال اولیه مشاهده داده و احتمال ثانویه

۶- تشریح یادگیری Bayesian

۷- تعریف ریسک و زیان

۸- بیان مفهوم توابع جداکننده (Discriminate function)

 

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.