دانلود فیلم آموزش یادگیری نظارت شده – یادگیری ماشین در متلب

با سلام

این پست مربوط به فصل دوم (قسمت ۵ و ۶) از مجموعه فیلم های آموزش یادگیری ماشین در متلب می باشد. در این دو قسمت مفاهیم  یادگیری نظارت شده با زبانی ساده و روان به تفصیل بیان می گردد.

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

قسمت ۵ مفاهیم  یادگیری نظارت شده:

۱- بیان و تعریف مفاهیم یادگیری در classification، فرضیه ها و رگرسیون

۲- تعریف مفاهیم True positive , False negative ,False positive و True negative

۳- تعریف داده های نویزی و دلایل ایجاد آن

۴- تحلیل پیچیدگی مدل در حضور داده های حاوی نویز

۵- بررسی روش های انتخاب مدل

۶- بررسی تعمیم پذیری (Generalization)

۷- بیان مفهوم Over-fitting و Under-fitting

۸- تعریف مفهوم Triple trade-off

۹- بیان مفهوم دوراهی بایاس-واریانس (Bias-variance dilemma) با ذکر مثال

۱۰- تشریح مفهوم Cross validation

۱۱- بیان روش های انتخاب مدل Regularization

۱۲- مقایسه Cross validation و Regularization

۱۳- بیان ابعاد الگوریتم یادگیری نظارت شده

قسمت ۶ مفاهیم  یادگیری نظارت شده:

۱- بیان و تعریف مفاهیم تئوری تصمیم گیری بیزین (Bayesian)

۲- تشریح قاعده Bayes

۳- بیان مفهوم احتمال اولیه

۴- تعریف مفهوم class likelihood

۵- بیان احتمال اولیه مشاهده داده و احتمال ثانویه

۶- تشریح یادگیری Bayesian

۷- تعریف ریسک و زیان

۸- بیان مفهوم توابع جداکننده (Discriminate function)

 

 

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:

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.