جلسه اول: مفاهیم مقدماتی (بخش اول)

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