کاربرد های ماشین لرنینگ - Application of Machine Learning
دیتا تو لرن
توضیحات
print("Machine Learning Applications")
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
- هیچ ویدیویی برای این بخش وجود ندارد.
مسئله بیش برازش
- هیچ ویدیویی برای این بخش وجود ندارد.