با سلام

این پست شامل  قسمت بیست و ششمین از سری فیلم های آموزشی یادگیری ماشین می باشد.این قسمت شامل فصل ششم از مجموعه آموزشی یادگیری ماشین می باشد. فصل ششم از مجموعه آموزشی یادگیری ماشین شامل چهار بخش (قسمت ۲۴-۲۷) می باشد.

 

سرفصل:

۱- آمار مقدماتی

۲- مفهوم یادگیری نظارت شده

۳- رگرسیون خطی و منطقی

۴- روش های چند متغیره

۵- شبکه عصبی – روش های Non parametric

۶- درخت تصمیم گیری

۷- SVM

۸- کاهش ابعاد

۹- روش های خوشه بندی

مطالب مربوط به درخت تصمیم گیری در ۴ قسمت (قسمت های ۲۴-۲۷) بطور کامل آموزش داده میشود که این ویدئو آموزشی مربوط به سومین قسمت از آموزش درخت تصمیم گیری میباشد که شامل موارد زیر است:

۱- بیان مفهوم درخت رگرسیون

۲- بیان مفهوم Overfitting

۳- تشریح روش های جلوگیری از Overfitting

۴- بیان روش Post Pruning

۵- تشریح درخت های چند متغیره Multivariate trees

۶- تشریح درخت تصمیم‌گیری Omnivariate Trees

۷- بیان معایب درخت های تصمیم گیری

۸- بیان انواع معیارهای توقف رشد درخت‌ تصمیم‌گیری

۹- بیان درخت های تصمیم گیری در متلب

۱۰- روش داده های Validation در درخت تصمیم‌گیری

۱۱- تشریح روش Cross Validation در درخت تصمیم‌گیری

۱۲- تشریح روش K-fold Cross Validation در درخت تصمیم‌گیری

 

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