رایگان
33 ساعت ویدیو
دسترسی همیشگی به ویدیو ها
دسترسی همیشگی به ویدیو ها
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
محتوای دوره
10 فصل - 35 جلسه - 33 ساعت ویدیو
مقدمه ای بر یادگیری ماشین
یادگیری با ناظر vs یادگیری بی ناظر
- 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
مدل رگرسیون
- 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
آموزش مدل با گرادیان کاهشی
- 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
رگرسیون چندگانه
گرادیان کاهشی در عمل
- 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
کلاس بندی با لجستیک رگرسیون
تابع هزینه برای لجستیک رگرسیون
گرادیان کاهشی برای لجستیک رگرسیون
مسئله بیش برازش
نظرات کاربران
2 نظر
برای ثبت نظر ابتدا وارد شوید.
-
Erfan Zarabadiبا سلام ادامه فایل های دوره چه زمانی قرار میگیره؟
Mahdi Zeinali مدیربا سلام و عرض ادب به صورت هفتگی چند بخش ترجمه شده به طور کامل قرار خواهد گرفت.