دوره آموزش یادگیری ماشین و شناسایی الگو استاد بسطامی

سرفصل های دوره :

1. مقدمه – مروری بر جبر خطی و آمار و احتمالات
2. خواص آماری متغیرهای تصادفی – بردارهای تصادفی
3. توزیع آماری
4. توزیع شرطی
5. بردارها و ماتریس‌ها
6. تبدیل خطی
7. LRT
8. محاسبه احتمال خطا
9. LRT Variations – کلاسیفایرهای درجه دوم
10. تخمین پارامتر
11. Bias and Variance
12. Bayesian Estimation
13. Probability of error – Multivariate density estimation – non parametric DE – General formulation – Parzen windows
14. Smooth kernels – Product kernels – Multivariate density estimation
15. KNN density estimation
16. Perceptron – Linearly separable inputs
17. The Perceptron Algorithm
18. Practical Limitations – The Perceptron Algorithm
19. Support Vector Machines
20. قضیه Kuhn tucker
21. مسئله Lagrangian Dual
22. Feature Transformation – Kernel Functions
23. Three Layer perceptron – Multilayer perceptron
24. backpropagation
25. combination – three way data splits – boot strap – ensemble of classifier
26. linear discriminant analysis – fishers solution – LDA vs PCD – feature selection
27. approaches to unsupervised learning – the K-means algorithm – models
28. decision tree
29. رگرسیون خطی
30. loss functions – gradient descert
31. optimal policy – VC dimension – linear models – کران پایین در پیچیدگی نمونه
32. سرفصل‌های تدریس استاد آقایی
33. مفهوم و انواع یادگیری ماشین، داده‌ها، فضای فرضیه، یادگیری با نظارت، رگرسیون و کلاس بندی
34. ML و Map
35. linear regression
36. Generalization
37. PCA
38. Generative Classifiers، کلاس بندی، تئوری بیز، حل تست
39. Discriminative، Logistic Regression، حل تست
40. SVM و حل تست
41. تعمیم پذیری و حل تست
42. Clustering
43. الگوریتم EM و DBSCAN و حل تست
44. درخت تصمیم، حل تست
45. واریانس و توواریانس، دسته بندی، الگوریتم weighted nearest neighbor
46. learning theory
47. ensemble learning و حل تست
48. feature selection و حل تست
49. RL
50. سیاست بهینه، حل تست، baysian network

اطلاع از برنامه کلاسی و دریافت مشاوره رایگان