نمونه ای از ویدئو دوره ماشین لرنینگ
سرفصل های دوره ماشین لرنینگ
-
- مقدمهای بر انواع یادگیری
-
- الگوریتم KNN (نزدیکترین همسایه)
- الگوریتم SVM
- درخت تصمیم (Decision Tree)
- جنگل تصادفی (Random Forest)
-
- مفاهیم اولیه رگرسیون
- معیار ارزیابی رگرسیون
- رگرسیون خطی
- مساله غیرخطی
- مساله غیرخطی - نکات تکمیلی
- تمرین
- بررسی چند الگوریتم در رگرسیون
-
- مفاهیم اولیه خوشه بندی
- الگوریتم K-means
- بررسی تاثیر مقیاس دادهها (Scale)
- محاسبه تعداد بهینه خوشهها با روش Elbow
- معیار ارزیابی خوشه بندی
- بررسی یک مساله
- الگوریتم DBSCAN
- خوشه بندی تصویر
-
- داده پرت چیست؟
- روشهای آماری
- روشهای حل مساله تشخیص دادههای پرت
- الگوریتم LocalOutlierFactor
- توزیع فراوانی دادهها و هیستوگرام
- الگوریتم OneClassSVM
-
- بهینه سازی چیست؟
- گرادیان کاهشی(Gradient Descent)
- بهینه محلی و سراسری
- حل مساله رگرسیون خطی با گرادیان کاهشی
-
- مقدمه ورود به شبکه عصبی
- شبکه عصبی چیست
- نحوه آپدیت وزن و بایاس در شبکه
- محاسبه میزان خطا (error)
- توابع فعالسازی (Activation Function)
- بهینه سازها (optimizers)