اندرو انجی استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین همبنیانگذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا است. او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینههای پژوهش او هوش مصنوعی و علوم رباتیک است.
دوره ماشین لرنینگ Andrew Ng فصل اول (Supervised Learning) - زیرنویس اختصاصی فارسی
دوره کامل یادگیری ماشین (Machine Learning specialization) از Andrew Ng تهیه شده از دانشگاه استنفورد آمریکا به همراه زیرنویس ترجمه شده و اختصاصی دیتا تو لرن در کنار آموزش ها و نکات اضافی حین دوره و پس از آن، مناسب جهت آشنایی با مبانی ماشین لرنینگ و ریاضیات پایه آن. همچنین فایل های گوگل کولب مربوطه دوره و نمونه کد های اختصاصی تهیه شده توسط دیتا تو لرن در کنار این دوره ارایه می گردد.
سر فصل های ارائه شده در این دوره یاد میگیرید :
یادگیری نظارت شده (Supervised Learning) شامل Regression & Classification
یادگیری بدون ناظر (Unsupervised Learning) شامل Recommender systems & Reinforcement Learning
مباحث پیشرفته یادگیری ماشین (Advanced Learning) شامل Neural Networks & Decision tree
همچنین فایل های پیوست برای هر قسمت به صورت هفتگی، به طور کلی در انتها دوره بارگذاری گردیده است.
محتوای دوره
10 فصل - 41 جلسه - 5 ساعت ویدیو- جلسه 3: ماشین لرنینگ چیست - What is Machine Learning
- جلسه 4: یادگیری با ناظر بخش اول - (Supervised Learning - 1)
- جلسه 5: یادگیری با ناظر بخش دوم - (Supervised Learning - 2)
- جلسه 6: یادگیری بدون ناظر بخش اول - (Unsupervised Learning - 1)
- جلسه 7: یادگیری بدون ناظر بخش دوم - (Unsupervised Learning - 2)
- جلسه 8: نوت بوک لب فصل اول - Jupyter Notebook
- جلسه 9: مدل رگرسیون خطی بخش اول - (Linear Regression - 1)
- جلسه 10: مدل رگرسیون خطی بخش دوم - (Linear Regression - 2)
- جلسه 11: تابع هزینه - Cost Function
- جلسه 12: تابع هزینه به صورت شهودی - Cost Function Intuition
- جلسه 13: مجسم سازی تابع هزینه - Visualization of Cost Function
- جلسه 14: نمونه های مجسم سازی - Visualization Examples
- جلسه 15: گرادیان کاهشی - Gradient Descent
- جلسه 16: پیاده سازی گرادیان کاهشی - Implimenting Gradient Descent
- جلسه 17: گرادیان کاهشی به صورت شهودی - Gradient Descent Intuition
- جلسه 18: نرخ یادگیری - Learning Rate
- جلسه 19: گرادیان کاهشی برای رگرسیون خطی - Gradient Descent For Linear Regression
- جلسه 20: اجرای گرادیان کاهشی - Runing Gradient Descent
- جلسه 25: مقیاس بندی ویژگی ها بخش اول - (Feature Scaling - 1)
- جلسه 26: مقیاس بندی ویژگی ها بخش دوم - (Feature Scaling - 2)
- جلسه 27: برسی گرادیان کاهشی برای همگرایی - Checking Gradient Descent for Convergence
- جلسه 28: انتخاب نرخ یادگیری - Choosing The Learning Rate
- جلسه 29: مهندسی ویژگی ها - Feature Engineering
- جلسه 30: رگرسیون چند جمله ای - Polynomial Regression
- جلسه 37: مسئله بیش برازش - The Problem Of Overfitting
- جلسه 38: نشانه یابی بیش برازش - Addressing Overfitting
- جلسه 39: تابع هزینه با منظم سازی - Cost Function With Regularization
- جلسه 40: رگرسیون خطی منظم شده - Regularized Linear Regression
- جلسه 41: لجستیک رگرسیون منظم شده - Regularized Logistic Regression
در طی روز های اخیر از طرف شرکت های زیرساخت اینترنت مانند مخابرات و همراه اول و ... دچار اختلال dns هستیم که البته از سمت ما نیست. توصیه میگردد جهت سهولت و دسترسی راحتتر و بدون مشکل از لیست dns های زیر استفاده کنید و تنظیم بفرمایید روی شبکه اینترنت :
217.218.155.155
78.157.42.100
185.55.226.26
178.22.122.100
217.218.127.127
46.209.209.209