یادگیری ماشین
یادگیری ماشینی (Machine learning) به بررسی روش هایی می پردازد که به رایانه ها امکان استفاده از داده ها و یاد گیری از آن ها برای بهبود عملکردهای مختلف را می دهد.
هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی‌ بالاتری در وظیفهٔ مورد نظر پیدا کند. نمونه هایی از کاربردهای یادگیری ماشین می تواند الگوریتم های تشخیص چهره، جداسازی هرزنامه و بازشناسی گفتار می باشد.
Andrew Ng
اندرو ان جی استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است . وی هم چنین بنیان گذار کورس ارا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا هست.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه های پژوهش او هوش مصنوعی و علوم رباتیک است.
لیست درسها و جلسات:

یادگیری ماشین - جلسه 1 - 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 2 - 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 3 - مفهوم بیش برازش و کم برازش، مفهوم الگوریتم¬های پارامتری و غیر پارامتری، رگرسیون وزن¬دار محلی، تعبیر احتمالاتی از رگرسیون خطی، انگیزه¬ی رگرسیون منطقی، رگرسیون منطقی، ادراک

یادگیری ماشین - جلسه 4 - 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 5 - الگورریتم¬های تمیزدهنده، الگوریتم¬های تولیدکننده، تحلیل¬های تمیزدهنده¬ی گوسی، تحلیل¬های تمیزدهنده¬ی گوسی و رگرسیون منطقی، بیز خام، نرم کردن لاپلاسی

یادگیری ماشین - جلسه 6 - 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 7 -طبقه¬بندی با حاشیه¬ی بهینه، دوگانی لاکرانژ، شرایط Karush-kuhn-tucker، دوگان SVM، مفهوم کرنل¬ها

یادگیری ماشین - جلسه 8 - 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 9 - 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 10 - 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 11 - 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 12 - 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 13 - 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 14 - 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 15 - 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 16 - 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 17 - 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 18 - 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 19 - 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 20 - MDPهای غیر مشاهده پذیر کامل، جستجوی سیاست، الگوریتم تقویتی، الگوریتم پگاسس، جستجوی سیاست پگاسس، کاربردهای یادگیری تقویتی