با سلام

این پست مربوط به فصل چهارم (قسمت ۱۰) از مجموعه فیلم های آموزش یادگیری ماشین در متلب می باشد. در این قسمت از فصل چهارم طبقه بندی پارامتریک چند متغیره مبتنی بر Likelihood آموزش داده میشود.

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

۱- تشریح فاصله ماهالانوبس Mahalanobis

۲- تحلیل حالات مختلف مقادیر کواریانس چند متغیره

۳- تحلیل حالات مختلف مقادیر دترمینان چند متغیره

۴- بررسی طبقه بندی پارامتریک چند متغیره

۵- تفاوت طبقه بندی پارامتریک تک متغیره با چند متغیره

۶- توضیح تابع جداکننده Quadratic

۷- بیان نحوه عملکرد ماکزیمم احتمال تخمین  MLE و روش LDA

۸- بیان محاسن و معایب روش های پارامتریک

طبقه بندی پارامتریک در متلب

 

تذکر۱:

ویدئو آموزش عملی این قسمت در MATLAB را می توانید از دانلود پیاده سازی دسته بندی پارامتریک مبتنی بر Likelihood مشاهده نمایید.

هدف از تهیه این مجموعه از فیلم های آموزشی، آشنایی با مباحث یادگیری ماشین (Machine Learning) بر طبق سرفصل کتاب های مرجع از جمله آلپایدین (Alpaydın) و میشل (Tom Mitchell) و همچنین پیاده سازی آنها در محیط MATLAB است. درس یادگیری ماشین یکی از مهمترین دروس رشته هوش مصنوعی و بسیار پرکاربرد در سایر رشته های تحصیلی می باشد. در این مجموعه سعی شده است که با زبانی ساده به بیان مفاهیم و الگوریتم های یادگیری ماشین بصورت تئوری و عملی پرداخته شود.

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 اسلاید های  آموزش طبقه بندی پارامتریک مبتنی بر Likelihood

اسلایدهای این مجموعه آموزشی را می توانید از اینجا دانلود نمایید.

لازم به ذکر است 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.