جلسه سی و دوم: ادامه‌ی شبکه‌های VAE - شبکه‌های بازگشتی

 
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
اشتراک‌گذاری

×

گزارش خرابی

دانلود با کیفیت بالا
دانلود با حجم کم

جلسات یادگیری ماشین برای بیوانفورماتیک

جلسه اول: مفاهیم مقدماتی (بخش اول)
جلسه دوم: مفاهیم مقدماتی (بخش دوم)
جلسه سوم: مفاهیم مقدماتی (بخش سوم)
جلسه چهارم: تمرین عملی روی داده‌های قلبی
جلسه پنجم: روش k-نزدیک‌ترین همسایه
جلسه ششم: دسته‌بندی پرسپترون و روش‌های خطی
جلسه هفتم: انتخاب ویژگی (Feature Selection)، استخراج ویژگی (Feature Extraction)، Cross-Validation ،Classification
جلسه هشتم: ماشینِ بردار پشتیبان
جلسه نهم: پیاده‌سازی پرسپترون، Mini-Batch و Learning Rate
جلسه دهم: ادامه‌ی ماشین‌های بردار پشتیبان
جلسه یازدهم: یادگیری مشارکتی
جلسه دوازدهم: تحلیل داده‌های بیان ژن، کاهش ابعاد و PCA
جلسه سیزدهم: انتخاب ویژگی (Feature Selection)
جلسه چهاردهم: کاهش ویژگی (PCA)
جلسه پانزدهم: خوشه‌بندی (k-means)
جلسه شانزدهم: خوشه‌بندی سلسله‌مراتبی و k-means در R
جلسه هفدهم: ادامه‌ی خوشه‌بندی، الگوریتم EM
جلسه هجدهم: مروری بر الگوریتم خوشه‌بندی سلسله‌مراتبی و ضریب همبستگی Pearson و Spearman
جلسه نوزدهم: ادامه‌ی توزیع ترکیبی گوسی
جلسه بیستم: الگوریتم Expectation–maximization و کاربرد آن در Strand Sequencing
جلسه بیست و یکم: مدل‌های مخفی مارکوف (HMM)
جلسه بیست و دوم: کاهش ابعاد به روش t-SNE
جلسه بیست و سوم: شبکه‌های عصبی چندلایه (MLP)
جلسه بیست و چهارم: Scikit-learn
جلسه بیست و پنجم: شبکه‌های پیچشی (CNN)
جلسه بیست و ششم: ادامه‌ی آموزش شبکه‌ها - افزایش عمق شبکه
جلسه بیست و هفتم: Autoencoder
جلسه بیست و هشتم: شبکه‌های ResNet - خودکدگذار (Autoencoder)
جلسه بیست و نهم: شبکه‌های مولد تخاصمی یا Generative Adversarial Networks (GAN)
جلسه سی‌ام: مباحث نظری در شبکه‌های عمیق - شبکه‌های VAE
جلسه سی و یکم: یادگیری خودنظارتی (Self-supervised Learning) و تعبیه‌ی کلمه (Word Embedding)
جلسه سی و دوم: ادامه‌ی شبکه‌های VAE - شبکه‌های بازگشتی