بنیادهای ضروری یادگیری ماشینی: ریاضی ، احتمال ، آمار و علوم کامپیوتر

یک دانشمند برجسته داده یا مهندس یادگیری ماشین باید بیش از اصول اولیه استفاده از الگوریتم های ML با محبوب ترین کتابخانه ها مانند Scikit-Learn و Keras تسلط داشته باشد. برای آموزش مدلهای نوآورانه یا استقرار آنها برای اجرای عملکرد در تولید ، قدردانی عمیق از تئوری یادگیری ماشین ضروری است ، که شامل درک کار از موضوعات بنیادی جبر خطی ، حساب ، احتمال ، آمار ، ساختار داده ها و الگوریتم ها است.
هنگامی که مبانی یادگیری ماشین محکم است ، می توان پرش از اصول عمومی ML را به حوزه های تخصصی ML ، مانند یادگیری عمیق ، پردازش زبان طبیعی ، دید دستگاه و یادگیری تقویت ، آسان تر کرد. هرچه برنامه تخصصی تر باشد ، احتمالاً جزئیات اجرای آن فقط در مقالات دانشگاهی یا کتابهای درسی در سطح فارغ التحصیل در دسترس است ، که هر یک از آنها درک موضوعات بنیادی را فرض می کنند.
این کلاس کارشناسی ارشد شامل دوره های زیر است: <br/ >- جبر خطی برای یادگیری ماشین
- حساب برای یادگیری ماشین Livelessons
- احتمال و آمار برای یادگیری ماشین
- ساختار داده ها ، الگوریتم ها و بهینه سازی یادگیری ماشین
گرگ خطی برای دستگاه یادگیری Livelessons با تمرکز بر روی برنامه های یادگیری ماشین ، درک نظریه و عمل جبر خطی را برای شما فراهم می کند. بالا این ضروری است زیرا محاسبه مشتقات از طریق تمایز ، اساس بهینه سازی بیشتر الگوریتم های یادگیری ماشین ، از جمله مواردی است که در یادگیری عمیق استفاده می شود ، مانند بازگشت به پشت و نزول شیب تصادفی. شما با درک عملکردی و عملی از تئوری احتمال و مدل سازی آماری ، با تمرکز بر روی برنامه های یادگیری ماشین. علوم ضروری کامپیوتر برای برنامه های یادگیری ماشین.

عنوان اصلی : The Essential Machine Learning Foundations: Math, Probability, Statistics, and Computer Science (Video Collection)

سرفصل های دوره :

01 جبر خطی برای یادگیری ماشین (مبانی یادگیری ماشین): مقدمه:
001 مقدمه
02 درس 1: جهت گیری به جبر خطی:
001 موضوع
002 تعریف جبر خطی
003 حل یک سیستم معادلات به صورت جبری
جبر خطی 004 در یادگیری ماشینی و یادگیری عمیق
005 کاربردهای تاریخی و معاصر
تمرین 006
03 درس 2: ساختارهای داده برای جبر:
001 موضوع
002 تانسور
003 اسکالر
004 بردارها و انتقال بردار
005 هنجارها و بردارهای واحد
006 بردارهای پایه، متعامد و متعامد
ماتریس 007
008 نماد تانسور عمومی
تمرینات 009
04 درس 3: عملیات تانسور مشترک:
001 موضوع
انتقال تانسور 002
003 محاسبات پایه تانسور
کاهش 004
005 محصول نقطه
تمرینات 006
05 درس 4: حل سیستم های خطی:
001 موضوع
002 استراتژی جایگزینی
003 تمرینات تعویضی
004 استراتژی حذف
تمرینات حذفی 005
06 درس 5: ضرب ماتریس:
001 موضوع
002 ضرب ماتریس به بردار
003 ضرب ماتریس به ماتریس
004 ماتریس های متقارن و هویت
تمرینات 005
006 یادگیری ماشین و کاربردهای یادگیری عمیق
07 درس 6: ماتریس های ویژه و عملیات ماتریس:
001 موضوع
002 هنجار فروبنیوس
وارونگی ماتریس 003
ماتریس های مورب 004
005 ماتریس های متعامد
006 اپراتور ردیابی
08 درس 7: بردارهای ویژه و مقادیر ویژه:
001 موضوع
002 مفهوم ویژه
تمرینات 003
004 بردار ویژه در پایتون
005 بردارهای ویژه با ابعاد بالا
09 درس 8: تعیین کننده ها و تجزیه ماتریس:
001 موضوع
002 تعیین کننده یک ماتریس 2×2
003 عوامل تعیین کننده ماتریس های بزرگتر
تمرینات 004
005 تعیین کننده ها و مقادیر ویژه
006 تجزیه ویژه
10 درس 9: یادگیری ماشین با جبر خطی:
001 موضوع
002 تجزیه ارزش مفرد
003 فشرده سازی فایل رسانه ای
004 شبه معکوس مور-پنروز
رگرسیون 005 از طریق شبه وارونگی
006 تجزیه و تحلیل مؤلفه اصلی
007 منابع برای مطالعه بیشتر جبر خطی
11 خلاصه:
001 جبر خطی برای یادگیری ماشین (مبانی یادگیری ماشین): خلاصه
12 محاسبه برای یادگیری ماشین: مقدمه:
001 مقدمه
13 درس 1: جهت گیری حساب دیفرانسیل و انتگرال:
001 موضوع
002 دیفرانسیل در مقابل حساب انتگرال
003 تاریخچه مختصر
004 حساب بی نهایت کوچک
005 کاربردهای مدرن
14 درس 2: محدودیت ها:
001 موضوع
002 توابع پیوسته در مقابل توابع ناپیوسته
003 حل از طریق فاکتورینگ
004 حل از طریق نزدیک شدن
005 در حال نزدیک شدن به بی نهایت
تمرینات 006
15 درس 3: تمایز:
001 موضوع
روش دلتا 002
003 رایج ترین نمایش
نماد مشتق 004
005 ثابت
قانون قدرت 006
007 قانون ثابت محصول
قانون جمع 008
تمرینات 009
16 درس 4: قوانین تمایز پیشرفته:
001 موضوع
قانون محصول 002
قانون ضریب 003
قانون زنجیره ای 004
تمرینات 005
قانون قدرت 006 در زنجیره عملکرد
17 درس 5: تمایز خودکار:
001 موضوع
002 مقدمه
003 Autodiff with PyTorch
004 Autodiff با TensorFlow
005 گراف غیر حلقوی یک معادله خطی جهت دار
006 تطبیق خط با یادگیری ماشین
18 درس 6: مشتقات جزئی:
001 موضوع
002 مشتقات توابع چند متغیره
003 تمرینات مشتق جزئی
004 مثال‌های هندسی
005 تمرینات هندسی
نماد 006
قانون زنجیره ای 007
تمرین های قانون زنجیره ای 008
19 درس 7: گرادیان ها:
001 موضوع
رگرسیون تک نقطه ای 002
003 مشتقات جزئی بهای تمام شده درجه دوم
004 نزولی گرادیان هزینه
005 گرادیان میانگین مربعات خطا
006 پس انتشار
007 مشتقات جزئی مرتبه بالاتر
ورزش 008
20 درس 8: انتگرال ها:
001 موضوع
002 طبقه بندی باینری
003 ماتریس سردرگمی و منحنی ROC
004 انتگرال نامعین
005 انتگرال معین
006 ادغام عددی با پایتون
تمرینات 007
008 یافتن ناحیه زیر منحنی ROC
009 منابع برای مطالعه بیشتر حساب دیفرانسیل و انتگرال
21 خلاصه:
001 محاسبه برای یادگیری ماشین: خلاصه
22 احتمال و آمار برای یادگیری ماشین: مقدمه:
001 مقدمه
23 درس 1: مقدمه to احتمال:
001 موضوع
002 جهت گیری به سری مبانی یادگیری ماشین
003 نظریه احتمال چیست؟
004 رویدادها و فضاهای نمونه
005 مشاهدات چندگانه
006 فاکتوریل و ترکیبات
تمرینات 007
008 قانون اعداد بزرگ و مغالطه قمارباز
009 توزیع احتمال در آمار
010 آمار بیزی در مقابل فراوانی
011 کاربردهای احتمال در یادگیری ماشینی
24 درس 2: متغیرهای تصادفی:
001 موضوع
002 متغیرهای گسسته و پیوسته
003 توابع جرم احتمالی
004 توابع چگالی احتمال
005 تمرینات مربوط به توابع احتمال
006 ارزش مورد انتظار
007 تمرین در مورد ارزش مورد انتظار
25 درس 3: توصیف توزیع ها:
001 موضوع
002 میانگین، اندازه گیری گرایش مرکزی
003 مدیان
حالت های 004
005 چندک: صدک، ربع و دهک
006 طرح های جعبه و سبیل
007 واریانس، اندازه گیری پراکندگی
انحراف معیار 008
خطای استاندارد 009
کوواریانس 010، اندازه گیری رابطه
011 همبستگی
26 درس 4: روابط بین احتمالات:
001 موضوع
002 توزیع احتمال مشترک
003 احتمال نهایی
004 احتمال شرطی
تمرینات 005
قانون احتمالات زنجیره ای 006
007 متغیرهای تصادفی مستقل
008 استقلال مشروط
27 درس 5: توزیع در یادگیری ماشین:
001 موضوع
002 یونیفرم
003 گاوسی: نرمال و استاندارد نرمال
004 قضیه حد مرکزی
005 Log-Normal
006 نمایی و لاپلاس
007 دو جمله ای و چند جمله ای
008 پواسون
009 توزیع مخلوط
010 پیش پردازش داده برای ورودی مدل
تمرینات 011
28 درس 6: نظریه اطلاعات:
001 موضوع
002 نظریه اطلاعات چیست؟
003 خود اطلاعاتی، ناتس و بیت
004 شانون و آنتروپی دیفرانسیل
005 واگرایی کولبک-لایبلر و آنتروپی متقاطع
30 درس 7: مقدمه ای بر آمار:
001 موضوع
002 کاربردهای آمار در یادگیری ماشینی
003 بررسی نظریه احتمالات اساسی
004 z-scores و Outliers
005 تمرین‌هایی روی امتیازهای z
006 p-value
007 تمرینات مربوط به p-values
31 درس 8: مقایسه ابزارها:
001 موضوع
002 آزمون t تک نمونه ای و درجه آزادی
003 آزمون t مستقل
004 آزمون t زوجی
005 کاربردها در یادگیری ماشین
تمرینات 006
007 فواصل اطمینان
008 ANOVA: تجزیه و تحلیل واریانس
32 درس 9: همبستگی:
001 موضوع
002 ضریب همبستگی پیرسون
003 R-squared ضریب تعیین
004 همبستگی در مقابل علیت
005 تصحیح برای مقایسه های چندگانه
33 درس 10: رگرسیون:
001 موضوع
002 متغیر مستقل در مقابل متغیر وابسته
رگرسیون خطی 003 برای پیش بینی مقادیر پیوسته
004 برازش یک خط به نقاط در صفحه دکارتی
تمرین حداقل مربعات خطی 005
006 حداقل مربعات معمولی
007 ویژگی های دسته بندی "ساختگی".
رگرسیون لجستیک 008 برای پیش‌بینی دسته‌ها
009 تمرینات پایان باز
34 درس 11: آمار بیزی:
001 موضوع
002 یادگیری ماشینی در مقابل آمار متداول
003 چه زمانی از آمار بیزی استفاده کنیم
004 احتمالات قبلی
قضیه 005 بیز
006 منابع برای مطالعه بیشتر احتمالات و آمار
35 خلاصه:
001 احتمال و آمار برای یادگیری ماشین: خلاصه
36 ساختار داده‌ها، الگوریتم‌ها و بهینه‌سازی یادگیری ماشین: مقدمه:
001 مقدمه
37 درس 1: گرایش به ساختارها و الگوریتم های داده:
001 موضوع
002 جهت گیری به سری مبانی یادگیری ماشین
003 تاریخچه مختصری از داده ها
004 تاریخچه مختصر الگوریتم ها
005 کاربردها در یادگیری ماشین
38 درس 2: نماد "Big O":
001 موضوع
002 مقدمه
003 زمان ثابت
زمان خطی 004
005 زمان چند جمله ای
006 زمان‌های اجرا متداول
007 بهترین در مقابل بدترین مورد
39 درس 3: ساختارهای داده مبتنی بر فهرست:
001 موضوع
002 لیست
آرایه های 003
004 لیست های پیوندی
005 لیست های دارای پیوند دوگانه
006 پشته
007 صف
008 Deques
40 درس 4: جستجو و مرتب‌سازی:
001 موضوع
جستجوی دودویی 002
003 مرتب سازی حباب
004 مرتب سازی ادغام
مرتب سازی سریع 005
41 درس 5: مجموعه ها و هش کردن:
001 موضوع
002 نقشه ها و فرهنگ لغت
003 مجموعه
توابع هش 004
005 برخورد
006 ضریب بار
007 Hash Maps
کلیدهای رشته ای 008
هش کردن 009 در ML
42 درس 6: درختان:
001 موضوع
002 مقدمه
003 درخت تصمیم
004 جنگل های تصادفی
005 XGBoost: درختان با گرادیان تقویت شده
006 مفاهیم اضافی
43 درس 7: نمودارها:
001 موضوع
002 مقدمه
003 گراف های جهت دار در مقابل گراف های غیر جهت دار
004 DAG: گراف های غیر چرخه ای جهت دار
005 مفاهیم اضافی
پاداش 006: Pandas DataFrames
007 منابع برای مطالعه بیشتر DSA
44 درس 8: بهینه سازی یادگیری ماشین:
001 موضوع
002 آمار در مقابل یادگیری ماشینی
003 توابع هدف
004 میانگین خطای مطلق
خطای میانگین مربعات 005
006 به حداقل رساندن هزینه با نزول گرادیان
007 نزول گرادیان از ابتدا با PyTorch
008 نقاط بحرانی
009 نزول گرادیان تصادفی
010 زمان‌بندی میزان یادگیری
011 به حداکثر رساندن پاداش با گرادیان صعود
45 درس 9: بهینه سازهای یادگیری عمیق جذاب:
001 موضوع
002 ماتریس ژاکوبین
003 بهینه سازی مرتبه دوم و هسین ها
004 Momentum
005 بهینه سازهای تطبیقی
006 تبریک و گام های بعدی
46 خلاصه:
001 ساختارهای داده، الگوریتم‌ها و بهینه‌سازی یادگیری ماشین: خلاصه