- اطلاعات کلی
- مدرس : دکتر جاهد سراوانی
- قسمت : فصل هشتم - قسمت 30
- وضعیت محصول : رایگان
- نوع آموزش : تصویری
- زبان : فارسی
- مدت زمان : 29 دقیقه
- حجم دوره: 82 مگابایت
- تاریخ : ۲۳ اسفند ۱۳۹۶
با سلام
آموزش Hinge Loss در SVM – ماشین های بردار پشتیبان SVM مربوط به فصل هشتم (قسمت ۳۰) از سری فیلم های آموزشی یادگیری ماشین می باشد. فصل هشتم در پنج قسمت (۲۸-۳۲) به آموزش ماشین بردار پشتیبان SVM میپردازد.
فصل هشتم شامل زیر بخش های زیر می باشد:
۱- مفهوم حاشیه margin در SVM
۴- آموزش توابع کرنل Kernel Function در SVM
مباحث آموزش Hinge Loss در SVM – ماشین های بردار پشتیبان SVM
در قسمت سی ام موارد زیر آموزش داده می شود:
۱- کلاس های غیر قابل تفکیک
۲- Hinge Loss
————————————————————————————————————————————
سرفصل های این مجموعه آموزشی یادگیری ماشین در متلب شامل موارد زیر می باشد:
سرفصل های آموزش جامع 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
تذکر
کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز از اینجا دانلود نمایید.
دانلود رایگان آموزش Hinge Loss در SVM – ماشین های بردار پشتیبان SVM
اسلایدهای این مجموعه آموزشی را می توانید از اینجا دانلود نمایید.
آموزش Hinge Loss در SVM – ماشین های بردار پشتیبان SVM 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
کلمه کلیدی:
ماشین های بردار پشتیبان, SVM , support vector machine ,Logistic regression,حاشیه,margin,Hinge Loss,Kernel trick,Kernel machines, رگرسیون, دسته بندی,کلاس بندی,classification,
با سلام، آموزش های شما بسیار عالی است، خواهشمندم تلاش کنید این دوره را به اتمام برسانید، تقریبا ۲ سال گذشت
با سپاس