دوره ماشین لرنینگ Andrew Ng فصل اول (Supervised Learning) - زیرنویس اختصاصی فارسی

مقدمه ای بر یادگیری ماشین ۲ جلسه

جلسه ۱: به ماشین لرنینگ خوش آمدید - Welcome to Machine Learnin ۳ دقیقه جلسه ۲: کاربرد های ماشین لرنینگ - Application of Machine Learning ۵ دقیقه

یادگیری با ناظر vs یادگیری بی ناظر ۶ جلسه

جلسه ۳: ماشین لرنینگ چیست - What is Machine Learning ۶ دقیقه جلسه ۴: یادگیری با ناظر بخش اول - (Supervised Learning - 1) ۷ دقیقه جلسه ۵: یادگیری با ناظر بخش دوم - (Supervised Learning - 2) ۷ دقیقه جلسه ۶: یادگیری بدون ناظر بخش اول - (Unsupervised Learning - 1) ۹ دقیقه جلسه ۷: یادگیری بدون ناظر بخش دوم - (Unsupervised Learning - 2) مشاهده جلسه ۸: نوت بوک لب فصل اول - Jupyter Notebook ۴ دقیقه

مدل رگرسیون ۶ جلسه

جلسه ۹: مدل رگرسیون خطی بخش اول - (Linear Regression - 1) ۱۰ دقیقه جلسه ۱۰: مدل رگرسیون خطی بخش دوم - (Linear Regression - 2) ۷ دقیقه جلسه ۱۱: تابع هزینه - Cost Function ۹ دقیقه جلسه ۱۲: تابع هزینه به صورت شهودی - Cost Function Intuition ۱۶ دقیقه جلسه ۱۳: مجسم سازی تابع هزینه - Visualization of Cost Function ۹ دقیقه جلسه ۱۴: نمونه های مجسم سازی - Visualization Examples ۶ دقیقه

آموزش مدل با گرادیان کاهشی ۶ جلسه

جلسه ۱۵: گرادیان کاهشی - Gradient Descent ۸ دقیقه جلسه ۱۶: پیاده سازی گرادیان کاهشی - Implimenting Gradient Descent ۱۰ دقیقه جلسه ۱۷: گرادیان کاهشی به صورت شهودی - Gradient Descent Intuition ۷ دقیقه جلسه ۱۸: نرخ یادگیری - Learning Rate ۹ دقیقه جلسه ۱۹: گرادیان کاهشی برای رگرسیون خطی - Gradient Descent For Linear Regression ۷ دقیقه جلسه ۲۰: اجرای گرادیان کاهشی - Runing Gradient Descent ۶ دقیقه

رگرسیون چندگانه ۴ جلسه

جلسه ۲۱: ویژگی های چندگانه - Multiple Features ۱۰ دقیقه جلسه ۲۲: بردار سازی بخش اول - (Vectorization - 1) ۷ دقیقه جلسه ۲۳: بردار سازی بخش دوم - (Vectorization - 2) ۷ دقیقه جلسه ۲۴: گرادیان کاهشی برای رگرسیون خطی چندگانه - Gradient Descent For Multiple Linear Regression ۸ دقیقه

گرادیان کاهشی در عمل ۶ جلسه

جلسه ۲۵: مقیاس بندی ویژگی ها بخش اول - (Feature Scaling - 1) ۶ دقیقه جلسه ۲۶: مقیاس بندی ویژگی ها بخش دوم - (Feature Scaling - 2) ۸ دقیقه جلسه ۲۷: برسی گرادیان کاهشی برای همگرایی - Checking Gradient Descent for Convergence ۵ دقیقه جلسه ۲۸: انتخاب نرخ یادگیری - Choosing The Learning Rate ۶ دقیقه جلسه ۲۹: مهندسی ویژگی ها - Feature Engineering ۳ دقیقه جلسه ۳۰: رگرسیون چند جمله ای - Polynomial Regression ۶ دقیقه

کلاس بندی با لجستیک رگرسیون ۳ جلسه

جلسه ۳۱: انگیزه ها - Motivations ۱۰ دقیقه جلسه ۳۲: رگرسیون لجستیک - Logistic Regrresion مشاهده جلسه ۳۳: مرز تصمیم گیری - Decision Boundary ۱۱ دقیقه

تابع هزینه برای لجستیک رگرسیون ۲ جلسه

جلسه ۳۴: تابع هزینه برای لجستیک رگرسیون - Cost Function For Logistic Regrresion ۱۲ دقیقه جلسه ۳۵: تابع هزینه ساده شده برای لجستیک رگرسیون - Simplified Cost Function For Logistic Regrresion ۶ دقیقه

گرادیان کاهشی برای لجستیک رگرسیون ۱ جلسه

جلسه ۳۶: پیاده سازی گرادیان کاهشی - Gradient Descent Implementation ۶ دقیقه

مسئله بیش برازش ۵ جلسه

جلسه ۳۷: مسئله بیش برازش - The Problem Of Overfitting ۱۲ دقیقه جلسه ۳۸: نشانه یابی بیش برازش - Addressing Overfitting ۸ دقیقه جلسه ۳۹: تابع هزینه با منظم سازی - Cost Function With Regularization ۹ دقیقه جلسه ۴۰: رگرسیون خطی منظم شده - Regularized Linear Regression ۹ دقیقه جلسه ۴۱: لجستیک رگرسیون منظم شده - Regularized Logistic Regression ۶ دقیقه