پیش نیازها:
مروری بر جبر خطی -
دریافت
مروری بر احتمال -
دریافت
منابع دوره:
دوره Machine Learning دانشگاه استنفورد -
لینک
[Pattern Recognition And Machine Learning [Springer 2006 از Christopher M. Bishop -
دریافت
منابع برای مطالعات بیشتر:
Deep Learning - Ian Goodfellow, Yoshua Bengio and Aaron Courville -
دریافت
Reinforcement Learning An Introduction -
دریافت
برای ارسال تمرینات و بیان اشکالات با ایمیل زیر در ارتباط باشید:
farzadhosseinian1 [at] gmail [dot] com
همچنین از کانال تلگرام زیر استفاده کنید
@
UMAMachineLearning98
برای اطلاعات بیشتر از مدرس به صفحه لینکداین مراجعه کنید. برای دیدن صفحه لینکداین مدرس
کلیک کنید.
این جلسه در تاریخ 98/08/29 برگزار شد
دریافت پاوریونت
دریافت کد
مطالب بیان شده:
- رگرسیون خطی
- تابع هزینه
- گرادیان کاهشی
- پیاده سازی با پایتون
تمرین این جلسه:
برای داده های اسلاید اخر، پارامترهای مدل رگرسیون را با دو روش آماری و گرادیان خطی بیابید. ( توضیح: روش آماری را برروی کاغذ تحلیل کنید و تصویر را ضمیمه فایل .zip ارسالی کنید. همچنین، کد پایتون روش گرادیان کاهشی را تحت یک فایل .py به فایل زیپ ضمیمه کنید و به ایمیل بفرستید)
مهلت: تا پایان دوره
موفق باشید
این جلسه در تاریخ 98/08/29 برگزار شد
دریافت پاوریونت
دریافت کد
مطالب بیان شده:
- رگرسیون خطی
- تابع هزینه
- گرادیان کاهشی
- پیاده سازی با پایتون
تمرین این جلسه:
برای داده های اسلاید اخر، پارامترهای مدل رگرسیون را با دو روش آماری و گرادیان خطی بیابید. ( توضیح: روش آماری را برروی کاغذ تحلیل کنید و تصویر را ضمیمه فایل .zip ارسالی کنید. همچنین، کد پایتون روش گرادیان کاهشی را تحت یک فایل .py به فایل زیپ ضمیمه کنید و به ایمیل بفرستید)
مهلت: تا پایان دوره
موفق باشید
این جلسه در تاریخ 98/09/13 برگزار شد
دریافت پاوریونت
دریافت کد رگرسیون لاجستیک
Boston House Pricing(Scikit-learn dataset) دریافت کد
Students Grades(UCI dataset) دریافت کد
سایت دانشگاه UCI برای دیتاست های تمرینی
مطالب بیان شده:
- مرور مفاهیم بیان شده
- Overfitting/Underfitting
- Feature Selection
- Regularization
- Regularized J() function
- Regularized Gradient Descent
- پیاده سازی با پایتون
- بررسی دو نمونه کد با پکیج sklearn
درباره این سایت