هفته اول
یادگیری ماشین چیست؟
یادگیری با نظارت چیست؟
یادگیری بدون نظارت چیست؟
رگرسیون خطی با یک متغیر
تابع هزینه قسمت اول
تابع هزینه قسمت دوم
تابع هزینه قسمت سوم
گرادیان کاهشی قسمت اول
گرادیان کاهشی قسمت دوم
گرادیان کاهشی قسمت سوم
فایل های هفته اول
هفته دوم
رگرسیون خطی چند متغیره
گرادیان کاهشی چند متغیره
مقیاس بندی ویژگی
اشکال زدایی گرادیان
رگرسیون چند جمله ای
معادله نرمال
فایل های هفته دوم
هفته سوم
طبقه بندی
تابع هزینه
ساده شده تابع هزینه و گرادیان کاهشی
بهینه سازی پیشرفته
طبقه بندی چند کلاسه
مشکل Overfitting
تابع هزینه در Overfitting
رگرسیون خطی منظم
رگرسیون لجستیک منظم
فایل های هفته سوم
هفته چهارم
فرضیه غیر خطی
نورون ها و مغز
ارائه مدل قسمت اول
ارائه مدل قسمت دوم
مثال ها قسمت اول
مثال ها قسمت دوم
طبقه بندی چند کلاسه
فایل های هفته چهارم
هفته پنجم
تابع هزینه شبکه عصبی
پس انتشار قسمت اول
پس انتشار قسمت دوم
بازکردن پارامتر ها
بررسی گرادیان
مقدار دهی اولیه تصادفی
Putting It Together
نمونه ای از رانندگی خودکار
فایل های هفته پنجم
هفته ششم
ارزیابی فرضیه
انتخاب مدل
تشخیص بایاس در مقابل واریانس
منظم سازی و بایاس/واریانس
منحنی های یادگیری
تصمیم گیری درباره اقدامات بعدی
اولویت بندی کارها
تحلیل خطا
معیار‌های خطا برای کلاس‌های نامتوازن
متوازن کردن Precision و Recall
داده برای یادگیری ماشین
فایل های هفته ششم
هفته هفتم
بهینه سازی هدفمند
درک حاشیه اطمینان زیاد
ریاضیات پشت طبقه بندی با حاشیه اطمینان زیاد (اختیاری)
کرنل ها قسمت اول
کرنل ها قسمت دوم
فایل های هفته هفتم
منابع بیشتر
هفته هشتم
مقدمه یادگیری بدون نظارت
الگوریتم K-Means
بهینه سازی هدفمند
مقداردهی اولیه تصادفی
انتخاب تعداد خوشه ها
کاهش ابعاد
تحلیل اجزای اصلی فرمول مسئله
تحلیل اجزای اصلی الگوریتم
بازسازی از حالت فشرده
انتخاب تعداد اجزای اصلی
توصیه هایی برای اعمال PCA
فایل های هفته هشتم
هفته نهم
انگیزه مسئله
توزیع گاوسی
الگوریتم
توسعه و ارزیابی سیستم تشخیص ناهنجاری
تشخیص ناهنجاری در مقابل یادگیری با نظارت
انتخاب ویژگی‌ها
توزیع گاوسی چند متغیره(اختیاری)
تشخیص ناهنجاری با استفاده از توزیع گاوسی چند متغیره (اختیاری)
فرمول مسئله
پیشنهادهای مبتنی بر محتوا
فیلترینگ مشارکتی
الگوریتم فیلترینگ مشارکتی
بردارسازی: فاکتورگیری ماتریس با درجه پایین
جزئیات پیاده‌سازی: نرمال‌سازی میانگین
فایل های هفته نهم
هفته دهم
یادگیری با مجموعه داده های بزرگ
گرادیان کاهشی تصادفی
همگرایی گرادیان کاهشی تصادفی
یادگیری آنلاین
کاهش نگاشت و موازی سازی داده
فایل های هفته دهم
هفته یازدهم
تبریک!
فایل های هفته یازدهم
لغت نامه دوره
سوالات متداول افراد
منابع مفید
حمایت
درباره
فهرست مطالب
شبکه های اجتماعی
اینستاگرام
گیت هاب
پاک کردن تاریخچه خواندن
ساخته شده با
از
Grav
و
Hugo
دوره یادگیری ماشین دانشگاه استنفورد به فارسی
>
درباره
> فهرست مطالب
فهرست مطالب
2 دقیقه |
2020/09/05
هفته اول
یادگیری ماشین چیست؟
یادگیری با نظارت چیست؟
یادگیری بدون نظارت چیست؟
رگرسیون خطی با یک متغیر
تابع هزینه قسمت اول
تابع هزینه قسمت دوم
تابع هزینه قسمت سوم
گرادیان کاهشی قسمت اول
گرادیان کاهشی قسمت دوم
گرادیان کاهشی قسمت سوم
فایل های هفته اول
هفته دوم
رگرسیون خطی چند متغیره
گرادیان کاهشی چند متغیره
مقیاس بندی ویژگی
اشکال زدایی گرادیان
رگرسیون چند جمله ای
معادله نرمال
فایل های هفته دوم
هفته سوم
طبقه بندی
تابع هزینه
ساده شده تابع هزینه و گرادیان کاهشی
بهینه سازی پیشرفته
طبقه بندی چند کلاسه
مشکل Overfitting
تابع هزینه در Overfitting
رگرسیون خطی منظم
رگرسیون لجستیک منظم
فایل های هفته سوم
هفته چهارم
فرضیه غیر خطی
نورون ها و مغز
ارائه مدل قسمت اول
ارائه مدل قسمت دوم
مثال ها قسمت اول
مثال ها قسمت دوم
طبقه بندی چند کلاسه
فایل های هفته چهارم
هفته پنجم
تابع هزینه شبکه عصبی
پس انتشار قسمت اول
پس انتشار قسمت دوم
بازکردن پارامتر ها
بررسی گرادیان
مقدار دهی اولیه تصادفی
Putting It Together
نمونه ای از رانندگی خودکار
فایل های هفته پنجم
هفته ششم
ارزیابی فرضیه
انتخاب مدل
تشخیص بایاس در مقابل واریانس
منظم سازی و بایاس/واریانس
منحنی های یادگیری
تصمیم گیری درباره اقدامات بعدی
اولویت بندی کارها
تحلیل خطا
معیار‌های خطا برای کلاس‌های نامتوازن
متوازن کردن Precision و Recall
داده برای یادگیری ماشین
فایل های هفته ششم
هفته هفتم
بهینه سازی هدفمند
درک حاشیه اطمینان زیاد
ریاضیات پشت طبقه بندی با حاشیه اطمینان زیاد (اختیاری)
کرنل ها قسمت اول
کرنل ها قسمت دوم
فایل های هفته هفتم
منابع بیشتر
هفته هشتم
مقدمه یادگیری بدون نظارت
الگوریتم K-Means
بهینه سازی هدفمند
مقداردهی اولیه تصادفی
انتخاب تعداد خوشه ها
کاهش ابعاد
تحلیل اجزای اصلی فرمول مسئله
تحلیل اجزای اصلی الگوریتم
بازسازی از حالت فشرده
انتخاب تعداد اجزای اصلی
توصیه هایی برای اعمال PCA
فایل های هفته هشتم
هفته نهم
انگیزه مسئله
توزیع گاوسی
الگوریتم
توسعه و ارزیابی سیستم تشخیص ناهنجاری
تشخیص ناهنجاری در مقابل یادگیری با نظارت
انتخاب ویژگی‌ها
توزیع گاوسی چند متغیره(اختیاری)
تشخیص ناهنجاری با استفاده از توزیع گاوسی چند متغیره (اختیاری)
فرمول مسئله
پیشنهادهای مبتنی بر محتوا
فیلترینگ مشارکتی
الگوریتم فیلترینگ مشارکتی
بردارسازی: فاکتورگیری ماتریس با درجه پایین
جزئیات پیاده‌سازی: نرمال‌سازی میانگین
فایل های هفته نهم
هفته دهم
یادگیری با مجموعه داده های بزرگ
گرادیان کاهشی تصادفی
همگرایی گرادیان کاهشی تصادفی
یادگیری آنلاین
کاهش نگاشت و موازی سازی داده
فایل های هفته دهم
هفته یازدهم
تبریک!
فایل های هفته یازدهم
لغت نامه دوره
سوالات متداول افراد
منابع مفید
حمایت
درباره
فهرست مطالب