یادگیری ماشین و الگوریتم های ماشین امروزه توجه مخاطبان زیادی را به سمت خود جلب کرده است. در بسته جامع اموزش یادگیری ماشین در متلب با استفاده از ویدیوهای اموزش اصولی  یادگیری ماشین فصل بندی شده شما را اموزش خواهیم داد.

یادگیری ماشین چیست:

یادگیری ماشین شاخه ای از علوم کامپیوتر و هوش مصنوعی است که بدون انجام برنامه نویسی صریح، به کامپیوتر توانایی یادگیری می بخشد. این فناوری، کامپیوتر‌ها و به‌طور کلی ماشین‌ها را قادر می‌سازد تا صرف‌نظر از انجام یک کار مشخص بر اساس برنامه‌ریزی‌های ویژه، تصمیمات داده محور و قابل اطمینانی را اتخاذ کنند. چنین برنامه‌‌ها و الگوریتم‌هایی به گونه‌ای طراحی و ساخته شده‌اند که در طول زمان و دریافت داده‌های جدیدتر، یادگیری را ادامه داده و بهبود می‌یابند.

الگوریتم های یادگیری ماشین:

یادگیری ماشین برای تبدیل مجموعه‌ای از داده‌ها به یک مدل به تعدادی از الگوریتم‌ها وابسته است. این‌که کدام الگوریتم‌ها از همه بهتر کار می‌کند، به نوع مسئله‌ای که شما در حال حل کردن آن هستید، منابع محاسباتی موجود و ماهیت داده‌ها بستگی دارد. مهم نیست، از چه الگوریتم یا الگوریتم‌هایی استفاده می‌کنید، در مرحله نخست باید داده‌ها را پاکسازی و مرتب کنید.

انواع الگوریتم یادگیری ماشین:

الگوریتم‌های یادگیری ماشین  اغلب به دو دسته نظارتی یا Supervised (داده‌های آموزشی با پاسخ‌ها برچسب گذاری می‌شوند) بدون نظارت یا Unsupervised (برچسب‌های موجود به الگوریتم آموزش نشان داده نمی‌شود) تقسیم می‌شوند.

 مسائل یادگیری ماشین نظارتی نیز به دو گروه طبقه‌بندی یا Classification (پیش‌بینی پاسخ‌های غیر عددی، مانند احتمال خطا در پرداخت وام مسکن) و رگرسیون یا Regression (پیش‌بینی پاسخ‌های عددی، مانند تعداد چیزهایی که ماه آینده در فروشگاه شما فروخته می‌شود) تقسیم می‌شوند.

یادگیری بدون نظارت هم به سه دسته خوشه‌بندی یا Clustering (پیدا کردن گروه‌هایی از اشیا مشابه مانند کفش‌های ورزشی، کفش‌های طبی و کفش‌های مجلسی)، مشارکتی یا Association (پیدا کردن توالی‌های مشترک از اشیا، مانند قهوه و خامه) و کاهش ابعاد یا Dimensionality Reduction  (طرح‌ریزی، انتخاب ویژگی و استخراج ویژگی) تقسیم می‌شوند.

در این مجموعه آموزشی درس یادگیری ماشین (قسمت یادگیری نظارت شده   Supervised Learning  ) با زبانی ساده و به صورت کامل آموزش داده می شود. این مجموعه در  ۳۵ قسمت و در ۹ فصل مجزا تهیه شده است. سطح آموزش از مبتدی برای کسانی که نمی دانند یادگیری ماشین چیست شروع می شود تا پیچیده ترین بخش ها که به راحتی می توان با استفاده از آن مطالب پایان نامه های ارشد و دکتری را به انجام رساند.

 

 

تمامی مطالب این مجموعه ابتدا بصورت تئوری آموزش داده شده است و سپس پیاده سازی کدهای آن مطالب در MATLAB تشریح گردیده است. یادگیری پیاده سازی الگوریتم های یادگیری ماشین منجر به درک درست و بسیار بهتری از مفاهیم تئوری می گردد.

مجموعه ویدئوهای آموزشی یادگیری ماشین شامل فصل های زیر است:

فصل اول: آمار مقدماتی

فصل دوم: مفهوم یادگیری نظارت شده

  • بخش اول

    • بیان تعریف و مفهوم آمار (توصیفی و استنتاجی)
    • بیان متغیرهای مطلق و کمی با ذکر مثال
    • تعریف مد، میانه و میانگین با ذکر کاربرد آن ها در یادگیری ماشین و احتمالات
    • تعریف محدوده، چارک ها، واریانس و انحراف معیار
    • تعریف Z-score روی نمودار
    • تعریف داده های دور افتاده (outlier) با ذکر مثال
    •  بیان آزمایش تصادفی، فضای نمونه، رخداد و احتمال رخداد
    • بیان دیاگرام درختی با ذکر مثال
    • تعریف احتمال توام و غیر شریطی
    • تعریف احتمال شریطی با ذکر مثال
    • تعریف رخداد های مستقل
    • بیان قاعده بیز Bayes
    • تعریف احتمال توام و غیر شریطی

  • بخش دوم

    • تعریف و بررسی متغیرهای تصادفی و توزیع احتمال
    • تعریف و نحوه محاسبه امید ریاضی و واریانس متغیر تصادفی
    • تعریف و نحوه محاسبه کواریانس و ضریب همبستگی
    • بیان محاسبه و کاربرد ضریب همبستگی Pearson
    • بیان توابع توزیع و چگالی احتمال Binomial، Multinomial، Univariate، Multivariate،  بهمراه مثال
    • بیان و مقایسه روش های یادگیری با سرپرست (Supervise)، بدون سرپرست (UnSupervise)، نیمه نظارتی و تقویتی
    • تشریح روش های رگرسیون (Regresion)، طبقه بندی (Classification)
    • بیان کاربردهای یادگیری بدون سرپرست
    • تعریف خوشه بندی (Clustring) و تخمین چگالی (Density estimation)
    • ارائه مثال های متنوع جهت بررسی و مقایسه هر کدام از روش های یادگیری

  • بخش سوم

فصل سوم: رگرسیون خطی و رگرسیون منطقی

  • بخش اول

    • بیان و تعریف مفاهیم رگرسیون خطی (Linear Regression)
    • بیان تابع هزینه
    • تشریح روش بهینه سازی گرادیان نزولی
    • بیان رگرسیون خطی یک متغیره

  • بخش دوم

    • بیان رگرسیون خطی چند متغیره
    •  تشریح روش گرادیان نزولی برای رگرسیون خطی چند متغیره
    • بیان رگرسیون خطی چند جمله ای
    • تشریح معادلات نرمال
    • مقایسه دو روش گرادیان نزولی و معادلات نرمال
    • تشریح نحوه محاسبه RMSE و R2 جهت محاسبه خطا
    • تحلیل Over-fitting و بیان روش های جلوگیری از Over-fitting
    • بررسی Regularization
    • تشریح روش گرادیان نزولی برای Regularized Linear regression
    • بیان و بررسی الگوریتم K-fold Cross Validation

  • بخش سوم

    • آموزش کد نویسی رگرسیون خطی،
    • آموزش استفاده از toolbox متلب برای رگرسیون خطی،
    • تمامی سورس کدها موجود و قابل دانلود می باشد

  • بخش چهارم

  • بخش پنجم

    • – آموزش کد نویسی رگرسیون منطقی و …
    • آموزش استفاده از toolbox متلب برای رگرسیون منطقی
    • تمامی سورس کدهای متلب موجود و قابل دانلود می باشد.

فصل چهارم: روش های طبقه بندی پارامتریک

  • بخش اول

    • بیان مفهوم طبقه بندی پارامتریک تک متغیره
    • بیان مبحث نرخ احتمال (Likelihood Ratio)
    • تشریح روش ماکزیمم نرخ احتمال (Maximum Likelihood Ratio)
    • آموزش تئوری تصمیم گیری بیزین Bayesian
    • توضیح تابع چگالی نرمال یک متغیره

  • بخش دوم

    • بررسی طبقه بندی پارامتریک چند متغیره
    • تشریح فاصله ماهالانوبس Mahalanobis
    • تحلیل حالات مختلف مقادیر کواریانس چند متغیره
    • تحلیل حالات مختلف مقادیر دترمینان چند متغیره
    • تفاوت طبقه بندی پارامتریک تک متغیره با چند متغیره
    • توضیح تابع جداکننده Quadratic
    • بیان نحوه عملکرد ماکزیمم احتمال تخمین  MLE و روش LDA
    • بیان محاسن و معایب روش های پارامتریک

  • بخش چهارم

    • نرخ احتمال (Likelihood Ratio)
    • روش ماکزیمم نرخ احتمال (Maximum Likelihood Ratio)
    • تئوری تصمیم گیری بیزین Bayesian
    • چگالی نرمال یک متغیره
    • طبقه بندی پارامتریک تک متغیره
    • حالات مختلف مقادیر کواریانس چند متغیره
    • حالات مختلف مقادیر دترمینان چند متغیر
    • بررسی طبقه بندی پارامتریک چند متغیر
    • طبقه بندی پارامتریک تک متغیره با چند متغیره
    • تابع جداکننده Quadratic
    • عملکرد ماکزیمم احتمال تخمین  MLE و روش LDA

فصل پنجم: شبکه های عصبی

  • بخش چهارم

    • پیاده سازی شبکه عصبی پرسپترون بر اساس روش  batch gradient descent در نرم افزار متلب
    • نحوه دریافت داده های تصویری بعنوان ورودی در شبکه عصبی در متلب
    • استفاده از توابع خاص متلب جهت بهینه سازی تابع هزینه بعلت بالا بودن نمونه آموزشی
    • نحوه مقداردهی وزن ها، لایه های مخفی، پارامترها و …
    • بررسی مقادیر پیش بینی شده توسط شبکه عصبی
    • حل مساله رگرسیون با توابع پیش فرض متلب
    • نحوه تقسیم داده های ورودی به ۳ دسته Train, Test , validation در متلب
    • مقایسه خطای Train, Test , validation
    • پیاده سازی مساله classification با استفاده از توابع پیش فرض متلب
    • تحلیل مقادیر خروجی و خطاها روی نمودار۱۰-پیاده سازی روش Bayesian Regularization در متلب
    • پیاده سازی پروژه شناسایی اعداد با شبکه عصبی
    • پیاده سازی روش یادگیری  Retraining Neural Network در متلب
    • پیاده سازی روش یادگیری  Multiple Neural Network در متلب
    • آموزش تولباکس های شبکه عصبی متلب
    • بررسی GUI های شبکه عصبی متلب

فصل ششم: روش های طبقه بندی غیر پارامتریک

فصل هفتم: درخت تصمیم گیری

  • بخش اول

    • بیان مفهوم درخت تصمیم
    • بیان مفهوم Univariate tree
    • درخت طبقه بندی
    • بیان مفهوم آنتروپی Entropy
    • بیان ویژگی های آنتروپی Entropy

  • بخش چهارم

    • در این قسمت تمامی مباحث تئوری بیان شده در سه قسمت قبل را بصورت عملی در قالب مثال های گوناگون در متلب پیاده سازی می نماییم و مقادیر خروجی را تحلیل و بررسی می کنیم.

فصل هشتم: ماشین بردار پشتیبان SVM

فصل نهم: روش های ترکیبی Ensemble Methods

تذکر۱:

هر کدام از فصل ها و قسمت های هر فصل از این مجموعه آموزشی را می توانید بصورت جداگانه از اینجا مشاهده و دریافت نمایید.

تذکر۲:

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 از الگوریتم های هوش مصنوعی در مقاله و پایان نامه خود را دارند.

تذکر ۳:

ارزش محتوای پکیج در صورتی که بخواهید از سایت دانلود و یا به صورت جداگانه همگی را خریداری کنید بیش از ۴۰۰ هزار تومان می باشد ، که شما می توانید در قالب پکیج تنها با قیمت ۲۹۰ هزار تومان دریافت نمایید.

امیدوارم این مجموعه آموزشی بتواند کمکی در جهت یادگیری علاقه مندان در این زمینه کرده باشد.

پرداخت آنلاین و دریافت فیلم ها بصورت دانلودی در ادامه مطلب…