به ماشین لرنینگ خوش آمدید - Welcome to Machine Learnin
Andrew NG
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.
توضیحات
std::cout << "Welcome To Machine Learning" << std::endl;دوره ماشین لرنینگ Andrew Ng فصل اول (Supervised Learning) - زیرنویس اختصاصی فارسی
وضعیت دوره:
اتمام یافته
رایگان
مدرس دوره: Andrew NG
مدت زمان دوره: 5 ساعت ویدیو
تعداد فصل ها: 10
تعداد قسمت ها: 41
دسترسی همیشگی به ویدیو ها
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
- 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
فایل های پیوست دوره
دوره های مرتبط
وضعیت دوره:
در حال برگزاری
دسته بندی: ماشین لرنینگ
مدرس: Andrew NG
مدت دوره: 2 ساعت و 50 دقیقه ویدیو
8 فصل
22 جلسه
رایگان
وضعیت دوره:
به زودی
دسته بندی: ماشین لرنینگ
مدرس: Andrew NG
مدت دوره: 0 دقیقه ویدیو
0 فصل
0 جلسه
رایگان