این آموزش قسمت اول بسته جامع یادگیری ماشین می باشد که اختصاص به مبانی و مقدمات یادگیری ماشین دارد. هر شخصی که بخواهد از یادگیری ماشین در یک پروژه استفاده کند، لازم است که با تئوری یادگیری ماشین آشنایی کامل داشته باشد تا بتواند یک مدل خوب و با راندمان بالا طراحی کند. بنابراین یادگیری مبانی و مقدمات یادگیری ماشین ، اولین کاری است که یک علاقه مند به یادگیری ماشین باید انجام دهد.
برخی از سرفصل های این آموزش :
تعریف یادگیری ماشین
تاریخچه یادگیری ماشین
برنامه نویسی با مثال
مثالهای کاربردی یادگیری ماشین
تعریف عمل یادگیری
دستیار صوتی گوگل و اپل
یادگیری با داده
یادگیری با ناظر
یادگیری بدون ناظر
بعد dimension از یادگیری ماشین
مثالهای کاربردی یادگیری بدون ناظر
آنالیز شبکه های اجتماعی
بخش بندی بازار
آنالیز داده های کهکشانی
آنالیز عناصر غیر وابسته
انجام بازی با یادگیری ماشین
چگونه بفهمیم که مدل یادگیری ماشین نهایی خوب کار می کند ؟
تست عمومیت پذیری مدل
مفهوم Underfit و Overfit
تاثیر تعداد داده های آموزش در راندمان مدل یادگیری ماشین
مدل ساده یا مدل پیچیده
مفهوم نمودارهای خروجی یادگیری ماشین
یک مثال دسته بندی spam
مراحل پیشنهادی برای طراحی یک مدل یادگیری ماشین
آنالیز خطا
ماتریس confusion
مفهوم precision
مفهوم recall
مفهوم true positiveو true negative و false positive و false negative
Trade off بین precision و recall
تعیین حد آستانه در یک مدل یادگیری ماشین
چگونه به یک مدل یادگیری ماشین بهینه برسیم؟
معیار F1 score
آیا در یک مدل یادگیری ماشین نوع مدل مهم است؟
اهمیت داده در مدل یادگیری ماشین چیست؟
محاسبه accuracy و recall و precision و f-measure بر اساس TP, FP, TN,FN
معیارهای ازریابی رگرسیون AIC و BIC و Mallow’s cp و R2 بهبود بافته
مفهوم cross validation
مفهوم k-fold
سیستم یادگیری ماشین offline
سیستم یادگیری ماشین online
نکات مهم در داده های ورودی در یک سیستم یادگیری ماشین
مفهوم clear و obvious
مقایسه بین Keras و MATLAB و Tensorflow و Scikit-learn
اگر مدل یادگیری ماشین شما خوب جواب نمی دهد، چه کار کنیم؟
پیش نمایش اول
دانلود پیش نمایش اول (کیفیت بالا)
پیش نمایش دوم
دانلود پیش نمایش دوم (کیفیت بالا)
مدت زمان : 228 دقیقه