×
ribbon

دوره آموزشی مبانی ریاضی پشت یادگیری ماشین

مدرس:

Dr.Ron Erez

A Gentle Introduction to Mathematics for Machine Learning دوره آموزشی مبانی ریاضی پشت یادگیری ماشین می باشد که... بیشتر
جدید
زیرنویس
5 (1)
60دانشجو
4ساعت
سرفصل‌ها
مقدماتی سطح دوره
بروزرسانیتیر ۱۴۰۵

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

مفاهیم اصلی ریاضی پشت یادگیری ماشین را درک کنید

داده‌ها را با استفاده از بردارها، ماتریس‌ها و جبر خطی پایه نمایش داده و تفسیر کنید

توضیح دهید که چگونه توابع، غیرخطی بودن و توابع زیان با هم کار می‌کنند

ایجاد شهود برای احتمال و آمار در یادگیری ماشین

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

10 فصل61 جلسه4 ساعت ویدیو
مقدمه
  مقدمه دوره
01:53
ریاضیات برای یادگیری ماشین، گام‌های اول
  ریاضیات و یادگیری ماشین
01:08
  یادگیری ماشین به عنوان مثال مسکن برازش تابع
04:57
  یک مثال ساده از یادگیری ماشین برای پیش‌بینی قیمت خانه در پایتون
05:38
  ایجاد و اجرای مدل قیمت مسکن
05:28
  خلاصه اصول اولیه یادگیری ماشینی پیش‌بینی قیمت مسکن
02:35
مقدمات پایتون
  معرفی
00:38
  متغیرها در پایتون
02:43
  محاسبات در پایتون
04:15
  فهرست‌ها
08:39
  تاپل‌ها
05:47
  جملات شرطی
04:49
  انواع داده در پایتون
01:14
جبر خطی کاربردی برای یادگیری ماشین
  هندسه داده‌ها
01:38
  بردارها در مقابل اسکالرها
03:19
  مثال دانش‌آموز و فاصله اقلیدسی
04:53
  نزدیکترین همسایه‌ها
05:27
  خلاصه
00:59
نگاهی دقیق‌تر به جبر خطی
  از بردارها تا ماتریس‌ها
01:46
  جمع ماتریسی ترانهاده و ضرب اسکالر
08:58
  ضرب ماتریس‌ها
03:57
  عملیات ماتریسی مثال‌های ضرب ماتریس
08:14
  هومر سیمپسون و ضرب ماتریس‌ها
02:05
  مثال دیگری از ضرب ماتریس‌ها
04:21
  نظریه تعریف رسمی ضرب ماتریس‌ها
13:26
  شفاف‌سازی تعریف رسمی ضرب ماتریس‌ها
06:46
  ماتریس‌های همانی و معکوس
02:41
  دهانه ماتریس‌ها
02:22
  نرم یک بردار
02:30
  دترمینان یک ماتریس
01:55
  تعیین‌کننده در جزئیات
13:55
  مثال‌های بیشتر برای تعیین‌کننده‌ها
06:10
  کدنویسی برای نمایش جبر ماتریسی با Google Colab
09:18
مدل‌های خطی و مجموع‌های وزنی
  جمع وزنی چیست؟
01:41
  مثال جمع وزنی در یک و دو متغیره
04:25
  فرمول‌بندی ضرب برداری و نقطه‌ای
04:24
  مجموعه داده‌ها و فرم ماتریسی
05:10
  بایاس و بردارهای افزوده
05:52
  مدل‌های خطی در سراسر وظایف یادگیری ماشینی، خروجی رگرسیون لجستیک (سیگموئید)
07:31
توابع و غیرخطی بودن
  مقدمه‌ای بر توابع و غیرخطی بودن در یادگیری ماشین
01:29
  تعریف رسمی توابع
02:11
  توابع خطی و آفین
03:22
  توابع غیرخطی
02:08
  چرا مدل‌های خطی (افینی) محدود هستند؟
02:46
بهینه‌سازی و یادگیری
  مقدمه‌ای بر بهینه‌سازی و یادگیری
00:57
  تعریف رسمی یادگیری
02:54
  مثال عددی دنیای واقعی، مربع زیان
02:54
  مثال عددی دنیای واقعی، مربع زیان 2
01:57
  زیان سطح مجموعه داده (تابع هزینه)
03:03
  نزول گرادیانی (روش رسمی)
04:00
  خلاصه بهینه‌سازی شهودی به عنوان هندسه
02:08
  کد گرادیان نزولی از ابتدا
07:20
احتمال و عدم قطعیت
  مقدمه‌ای بر احتمال و عدم قطعیت در یادگیری ماشین
00:54
  احتمال تعریف شهودی
02:41
  چرا احتمال شرطی در یادگیری ماشینی
01:10
  مثالی از تشخیص پزشکی در دنیای واقعی
05:30
  تناسب، ثابت‌ها و احتمالات
06:23
  خلاصه نهایی
06:11
  توزیع نرمال
10:35
  احتمال و عدم قطعیت کد
04:35
خط لوله کامل یادگیری ماشین
  مقدمه‌ای بر توابع و غیرخطی بودن در یادگیری ماشین
01:29

توضیحات دوره

A Gentle Introduction to Mathematics for Machine Learning دوره آموزشی مبانی ریاضی پشت یادگیری ماشین می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره آموزشی طراحی شده است که می‌خواهند مبانی ریاضی پشت یادگیری ماشین را بدون غرق شدن در تئوری‌های سنگین درک کنند. این دوره مفاهیم اساسی را به روشی واضح و شهودی توضیح می‌دهد و بر نحوه استفاده واقعی ریاضیات در مدل‌های یادگیری ماشین واقعی تمرکز دارد.

شما از طریق توضیحات عملی و مثال‌های مرتبط، اعتماد به نفس خود را در مباحثی مانند جبر خطی، حساب دیفرانسیل و انتگرال، احتمال و آمار افزایش خواهید داد. این دوره با اتصال مستقیم ایده‌های ریاضی به الگوریتم‌هایی مانند رگرسیون، طبقه‌بندی و بهینه‌سازی، به شما کمک می‌کند تا درک مفهومی قوی‌ای ایجاد کنید که هم از یادگیری و هم از به‌کارگیری مؤثر تکنیک‌های یادگیری ماشین پشتیبانی می‌کند.

این دوره به جای تئوری‌های سنگین، بر درک مطلب تمرکز دارد. شما یاد خواهید گرفت که چگونه مفاهیم ریاضیات، جبر خطی، آمار، احتمال و بهینه‌سازی در مدل‌های یادگیری ماشین واقعی ظاهر می‌شوند. هر موضوع از یک دیدگاه عملی، با استفاده از مثال‌های عددی دنیای واقعی و توضیحات ساده قبل از نشان دادن تعاریف ریاضی رسمی، معرفی می‌شود.

شما بررسی خواهید کرد که چگونه داده‌ها با استفاده از بردارها و ماتریس‌ها نمایش داده می‌شوند، چرا جبر خطی برای مدل‌های یادگیری ماشین ضروری است و چگونه از توابع برای نگاشت ورودی‌ها به پیش‌بینی‌ها استفاده می‌شود. این دوره غیرخطی بودن، توابع زیان و بهینه‌سازی را به شیوه‌ای بصری و شهودی توضیح می‌دهد و به شما کمک می‌کند تا بفهمید که مدل‌ها چگونه از داده‌ها یاد می‌گیرند.

دیدگاه کاربران

5

بر اساس امتیاز 1 دانشجو

1
2
3
4
5

هنوز دیدگاهی برای این دوره ثبت نشده است

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
1دوره
60دانشجو
1نظر و امتیاز

دکتر ران اِرِز بیش از ۳۰ سال است که برنامه‌نویسی می‌کند و همیشه از خلاقیت و رضایت حاصل از نوشتن برنامه‌های کامپیوتری شگفت‌زده شده است. ران همچنین معلمی باتجربه است که از دوران راهنمایی تا دانشگاه، ریاضیات، علوم کامپیوتر و ادبیات انگلیسی تدریس کرده است.

او در اوقات فراغت خود آشپزی، نظافت، اسکیت‌بورد و صرفاً زندگی را می‌گذراند.

امیدوارم از شرکت در دوره من به همان اندازه که من از تدریس آن لذت بردم، لذت ببرید.

در سفرتان برای یادگیری چیزهای جدید و هیجان‌انگیز، موفق باشید.