آموزش رایگان رگرسیون خطی

با سلام

این پست مربوط به فصل سوم (قسمت ۷)  از مجموعه فیلم های آموزش یادگیری ماشین در متلب می باشد. در این قسمت از فصل سوم رگرسیون خطی  آموزش داده میشود.

مهمترین مطالب و موضوعاتی که در این قسمت از فصل سوم  بیان شده را بطور مختصر در زیر مشاهده می نمایید:

پارت اول از فصل سوم رگرسیون خطی:

۱- بیان و تعریف مفاهیم رگرسیون خطی (Linear Regression)

۲- بیان تابع هزینه

۳- تشریح روش بهینه سازی گرادیان نزولی

۴- بیان رگرسیون خطی یک متغیره

 

پارت دوم از فصل سوم رگرسیون خطی :

۱- بیان رگرسیون خطی چند متغیره

۲- تشریح روش گرادیان نزولی برای رگرسیون خطی چند متغیره

۳- بیان رگرسیون خطی چند جمله ای

۴- تشریح معادلات نرمال

۵- مقایسه دو روش گرادیان نزولی و معادلات نرمال

۶- تشریح نحوه محاسبه RMSE و R2 جهت محاسبه خطا

۷- تحلیل Over-fitting و بیان روش های جلوگیری از Over-fitting

۸- بررسی Regularization

۹- تشریح روش گرادیان نزولی برای Regularized Linear regression 

۱۰- بیان و بررسی الگوریتم K-fold Cross Validation

 

پارت سوم از فصل سوم رگرسیون خطی:

در این پارت تمامی موارد مذکور فوق در قالب ۳ برنامه بصورت عملی در متلب پیاده سازی شده و با جزئیات کامل آموزش داده شده است:

۱- آموزش کد نویسی رگرسیون خطی و …

۲- آموزش استفاده از toolbox متلب برای رگرسیون خطی

۳- تمامی سورس کدها موجود و قابل دانلود می باشد

 

 

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 ها 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

تذکر۱:

کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز از اینجا دانلود نمایید.

تذکر۲:

اسلایدهای این مجموعه آموزشی را می توانید 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.

کلید واژه:

یادگیری ماشین در متلب,رگرسیون خطی, Linear Regression, cost function, تابع هزینه, گرادیان نزولی, gradient descent, بهینه سازی گرادیان نزولی, رگرسیون خطی یک متغیره, رگرسیون خطی چند متغیره, رگرسیون خطی چند جمله ای, معادلات نرمال, RMSE, خطا RMSE, Over-fitting, جلوگیری از Over-fitting, بررسی Regularization, Regularized Linear regression , الگوریتم K-fold Cross Validation, K-fold, الگوریتم K-fold,