ویدئوهای درس – درس یادگیری ماشین

لطفا صبر کنید...

ویدئوهای درس یادگیری ماشین

در درس‌افزار دانشگاه صنعتی شریف و کانال آپارات

برای مشاهده‌ی ویدئوهای ضبط شده‌ی دوره می‌توانید از طریق لینک‌های زیر در درس‌افزار دانشگاه صنعتی شریف و کانال آپارات اقدام فرمایید.

جلسه ۱ - معرفی دوره، یادگیری نظارتی (Introduction, Supervised Learning)

جلسه ۲ - رگرسیون خطی، کاهش گرادیان (Linear Regression, Gradient Descent)

جلسه ۳ - رگرسیون چندجمله‌ای، تعمیم‌پذیری (Polynomial Regression, Generalization)

جلسه ۴ - دسته‌بندی خطی، شبکه‌ی عصبی پرسپترون (Linear Classification , Perceptron Neural Network)

جلسه ۵ - رگرسیون لجستیک (Logistic Regression)

جلسه ۶ - K نزدیک‌ترین همسایه (K-Nearest Neighbors)

جلسه ۷ - یادگیری جمعی، درخت تصمیم، جنگل تصادفی (Ensemble Learning, Decision Tree, Random Forest)

جلسه ۸ - یادگیری بدون نظارت، خوشه‌بندی (Unsupervised Learning, Clustering, KMeans)

جلسه 9 - کاهش بعد، تحلیل مولفه‌های اصلی (Dimension Reduction, Principal Components Analysis - PCA)

جلسه 10 - شبکه‌های عصبی ژرف، الگوریتم پس‌انتشار (Deep Neural Networks, Backpropagation Algorithm)

جلسه 11 - الگوریتم پس‌انتشار ماتریسی، توابع فعال‌سازی و زیان (Matrix Backpropagation, Activation and Loss Functions)

جلسه 12 - بهینه‌سازی، الگوریتم Adam و نیوتون (Optimization, Adam & Newton Algorithms)

جلسه 13 - تنظیم مدل (Regularization, Lasso, Ridge, Dropout)

جلسه 14 - نرمال‌سازی دسته‌ای (Batch Normalization, Universal Approximation Theorem)

جلسه 15 - کاهش ابعاد و دسته‌بندی با Scikit-learn و torch - آموزش عملی (Dimension Reduction and Classification in Scikit-learn and torch)

جلسه 16 - بینایی کامپیوتر، شبکه‌های عصبی کانولوشن (Computer Vision, Convolutional Neural Networks)

جلسه 17 - مفهوم کانال‌ها و لایه‌ی Pooling در CNN (Channels and Pooling Layer in CNN)

جلسه 18 - قضیه تفکیک عمق، پیاده‌سازی عملی CNN (Depth Separation Theorem, CNN Implementation)

جلسه 19 - شبکه‌های AlexNet و ResNet یا (AlexNet & ResNet Networks)

جلسه 20 - شبکه‌های خودرمزگذار (Autoencoders)