امروز چهارشنبه ۵ اردیبهشت ۱۳۹۷

آموزش درس Machine Learning دانشگاه استنفورد

ذیلا لینکهای مربوط به دوره آموزش Machine Learning دانشگاه استانفورد شامل فیلمهای آموزشی، پاور پوینت و PDF مطالب ارائه شده درج گردیده است. مطالب بیان شده در برگیرنده شبکه های عصبی، ماشین بردار پشتیبان، انواع رگرسیونهای هوشمند، جبر خطی و … است و در نهایت نحوه پیاده سازی یک سیستم OCR را  تشدیح می کند.  سخنران در ابتدا به رونق استفاده از روشهای یادگیری ماشینی برای ایجاد سایتهای هوشمند مثل گوگل و آمازون، رباتهای تحلیلگر اطلاعات، سیستمهای مدیریت دانش و  … اشاره کرده و عنوان می کند برخلاف رکود اقتصادی حاکم بر جهان، بازار کار برای مهندسین مسلط به یادگیری ماشینی کماکان دچار رونق فزاینده ای است و حتی کمبود نیروی متخصص در این زمینه در Silicon Valley کاملا مشهود است.

حجم فابلها کلا حدود چهار گیگابایت است.

یادگیری ماشین – جلسه ۱ – انگیزه و کاربردهای یادگیری ماشین، قواعد کلاس، تعریف یادگیری ماشین، مروری بر یادگیری با نظارت، مروری بر تئوری یادگیری، مروری بر یادگیری بدون نظارت لغات کلیدی :

یادگیری ماشین – جلسه ۲ – کاربردی از یادگیری با نظارت – رانندگی خودمختار، رگرسیون خطی، گرادیان نزولی، گرادیان نزولی دسته ای، گرادیان نزولی احتمالاتی (نزول افزایشی)، نمادگذاری مشتق¬گیری ماتریسی برای ایجاد معادلات نرمال، مشتق معادلات نرمال

یادگیری ماشین – جلسه ۳ – مفهوم بیش برازش و کم برازش، مفهوم الگوریتم¬های پارامتری و غیر پارامتری، رگرسیون وزندار محلی، تعبیر احتمالاتی از رگرسیون خطی، انگیزه¬ی رگرسیون منطقی، رگرسیون منطقی، ادراک

یادگیری ماشین – جلسه ۴ – روش نیوتن، خانواده¬ی توابع نمایی، مثالی از تابع برنولی، مثال از تابع گوسی، مدل های خطی عمومی، مثالی از چند جمله ای، رگرسیون بیشینه-نرم

یادگیری ماشین – جلسه ۵ – الگورریتم های تمیزدهنده، الگوریتم¬های تولیدکننده، تحلیل¬های تمیزدهنده¬ی گوسی، تحلیل های تمیزدهنده گوسی و رگرسیون منطقی، بیز خام، نرم کردن لاپلاسی

یادگیری ماشین – جلسه ۶ – مدل رویداد چند جمله ای، طبقه بندهای غیر خطی، شبکه عصبی، کاربردهای شبکه عصبی، شهودی از ماشین بردار پشتیبان (SVM)، نمادهایی برای SVM، حاشیه های تابعی و هندسی

یادگیری ماشین – جلسه ۷ -طبقه¬بندی با حاشیه بهینه، دوگانی لاکرانژ، شرایط Karush-kuhn-tucker، دوگان SVM، مفهوم کرنلها  

یادگیری ماشین – جلسه ۸ – کرنل¬ها، تئوری مرسر، مرزهای تصمیم غیرخطی و SVM با حاشیه¬ی نرم، الگوریتم مختصات صعودی، الگوریتم بهینه¬سازی کمینه¬سازی ترتیبی، کاربردهای SVM

یادگیری ماشین – جلسه ۹ – تعادل بین بایاس و واریانس، کمینه¬سازی ریسک به صورت تجربی، محدوده¬ی متحد، نامساوی Hoeffding، همگرایی یکنواخت – برای H محدود، محدوده¬ی پیچیدگی نمونه، محدوده¬ی خطا، قضیه و نتیجه¬ی همگرایی یکنواخت

یادگیری ماشین – جلسه ۱۰ – همگرایی یکنواخت – برای H نامحدود، مفهوم شکستن به قطعات و بَعد VC، مثالی از SVM، انتخاب مدل، تعیین اعتبار ضربدری، انتخاب ویژگی

یادگیری ماشین – جلسه ۱۱ – تنظیم و آمار شناسی بیزی، یادگیری برخط، پیشنهادهایی برای به کارگیری الگوریتم¬های یادگیری ماشین، الگوریتم¬های یادگیری اشکال¬زدایی/تثبیت، تشخیص بایاس و واریانس، امکانات عیب¬شناسی الگوریتم بهینه¬سازی، مثال تشخیص عیب – هلی کوپتر خودمختار، تحلیل خطا، شروع با یک مسئله¬ی یادگیری

یادگیری ماشین – جلسه ۱۲ – مفهوم یادگیری بدون نظارت، الگوریتم خوشه¬بندی k-میانگین، الگوریتم k-میانگین، ترکیبی از گوسی و الگوریتم EM، نامساوی جنسون، الگوریتم EM، خلاصه

یادگیری ماشین – جلسه ۱۳ – ترکیبی از گوسی، ترکیبی از بیز خام – خوشه¬بندی متن، تحلیل¬های فاکتوری، محدودیت¬های ماتریس کواریانس، مدل تحلیل فاکتور، EM برای تحلیل فاکتور

یادگیری ماشین – جلسه ۱۴ – مدل تحلیل فاکتور، EM برای تحلیل فاکتور، تحلیل اجزای اصلی (PCA)، PCA به عنوان یک الگوریتم کاهش بَعد، کاربردهای PCA، تشخیص چهره با استفاده از PCA

یادگیری ماشین – جلسه ۱۵ – اندیس¬گذاری معنایی بالقوه، پیاده¬سازی تجزیه به مقادیر منفرد (SVD)، تحلیل اجزای مستقل (ICA)، کاربرد ICA، تابع توزیع تجمعی، الگوریتم ICA، کاربردهای ICA

یادگیری ماشین – جلسه ۱۶ – کاربردهای یادگیری تقویتی، فرایند تصمیم مارکوف (MDP)، تعریف توابع ارزش و سیاست، تابع ارزش، تابع ارزش بهینه، الگوریتم تکرار ارزش، الگوریتم تکرار سیاست

یادگیری ماشین – جلسه ۱۷ – تعمیم به فضای حالت پیوسته، گسسته سازی و مشکل بَعد بالا، مدل¬ها/شبیه¬سازها، الگوریتم تکرار ارزش سازگار، یافتن سیاست بهینه

یادگیری ماشین – جلسه ۱۸ – پاداش¬های حالت-عمل، MDP با افق محدود، مفهوم سیستم¬های دینامیکی، مثالی از مدل¬های دینامیک، تعدیل درجه دو خطی، خطی¬سازی یک مدل غیر خطی، محاسبه¬ی پاداش، معادله¬ی ریکاتی

یادگیری ماشین – جلسه ۱۹ – پیشنهادهایی برای به کارگیری یادگیری ماشین، اشکال¬زدایی الگوریتم یادگیری تقویتی، تنظیم درجه دو خطی، برنامه¬نویسی پویای تفاضلی، فیلتر کالمن و درجه دو خطی گوسی، گام¬های پیش¬بینی و به روزسازی در روش فیلتر کالمن، درجه دو

یادگیری ماشین – جلسه ۲۰ – MDPهای غیر مشاهده پذیر کامل، جستجوی سیاست، الگوریتم تقویتی، الگوریتم پگاسس، جستجوی سیاست پگاسس، کاربردهای یادگیری تقویتی

پی نوشت : به دلیل آنکه فایلها در سایت www.Rapidbaz.com آپلود شده بود و محدودیتهایی داشت، لینکهای جدید از سایت  http://takhtesefid.org اضافه شده است.

نوشته‌های مرتبط

7 نظر

مشارکت و نظردهی

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *