با سلام

این پست مربوط به فصل چهارم (قسمت ۱۲) از مجموعه فیلم های آموزش یادگیری ماشین در متلب می باشد. در این قسمت از فصل چهارم پیاده سازی و کدنویسی روش دسته بندی پارامتریک (parametric classification) مبتنی بر Likelihood در زبان متلب در قالب چندین مثال با زبانی روان به صورت خط به خط و به تفصیل بیان می گردد. این قسمت شامل فصل چهارم از مجموعه آموزشی یادگیری ماشین می باشد. قسمت های نهم تا سیزدهم مربوط به فصل چهارم از مجموعه آموزشی یادگیری ماشین می باشد.

در قسمت دوازدهم تمامی موارد تئوری بیان شده در جلسه ۹ و جلسه ۱۰ بصورت کاملا عملی و  در قالب ۵ برنامه به زبان متلب پیاده سازی شده، تولباکس های مرتبط در متلب با جزئیات کامل آموزش داده شده است. مواردی همانند زیر را در این ویدئو آموزشی در برنامه متلب مشاهده خواهیم نمود:

۱-  نرخ احتمال (Likelihood Ratio)

۲- روش ماکزیمم نرخ احتمال (Maximum Likelihood Ratio)

۳- تئوری تصمیم گیری بیزین Bayesian

۴-چگالی نرمال یک متغیره

۵- طبقه بندی پارامتریک تک متغیره

۶- حالات مختلف مقادیر کواریانس چند متغیره

۷- حالات مختلف مقادیر دترمینان چند متغیره

۸- بررسی طبقه بندی پارامتریک چند متغیره

۹- طبقه بندی پارامتریک تک متغیره با چند متغیره

۱۰- تابع جداکننده Quadratic

۱۱- عملکرد ماکزیمم احتمال تخمین  MLE و روش LDA

و …

۱

 

۲

 

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.

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

تذکر۰:

تمامی سورس کدها ضمیمه شده است.

تذکر

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

دانلود اسلاید های آموزش کدنویسی دسته بندی پارامتریک مبتنی بر Likelihood

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

لازم به ذکر است آموزش کدنویسی دسته بندی پارامتریک مبتنی بر Likelihood 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:

, LDA, Likelihood, machine learning, Mahalanobis distance, Maimum Likelihood, MLE, تابع جداکننده Quadratic, روش LDA, روش QDA, روش ماکزیمم نرخ احتمال, طبقه بندی پارامتریک چند متغیره, طبقه بندی چند متغیره, فاصله ماهالانوبس, کواریانس چند متغیره, یادگیری ماشین, Bayes, Bayesian, Likelihood Ratio, machine learning, Ma,imum Likelihood Ratio, MLE, parametric classification, بیزین, تئوری تصمیم گیری بیزین, طبقه بندی پارامتریک, قاعده بیز, نرخ احتمال, یادگیری ماشین