در علم یادگیری ماشین، متخصصان سعی میکنند با استفاده از الگوریتمها، ماشینی طراحی کنند که بتواند بیاموزد و عمل کند. در واقع ماشین با استفاده از مثالها و تجربیاتی که به عنوان ورودی دریافت میکند، میآموزد و تصمیم میگیرد که چطور رفتار کند.
در یادگیری ماشین به جای برنامه نویسی دقیق همه چیز، دادهها و اطلاعات به یک مدل داده میشود و این الگوریتم بر اساس دادههای دریافتی تصمیم میگیرد چطور عمل کند. هدف اصلی این علم این است که یک ماشین بتواند به صورت خودکار و بدون کمک و دخالت انسان یاد بگیرد و فعالیتهای خود را بر اساس آن یادگیری انجام دهد. یادگیری ماشین در شناسایی و تحلیل تصاویر، تشخیص گفتار، خدمات درمانی و موارد مشابه کاربرد دارد و امروزه بسیار مورد توجه قرارگرفته است.
مقدمه یادگیری ماشین
آموزش کتابخانه ی NumPy و معرفی matplotlib
Linear Regression
Testing the model (Model selection - regularization - overfitting, underfitting)
Logistic Regression and probabilistic interpretation of linear regression
Data Cleaning - MLOps introduction
Naive Bayes and Laplacian correction - Introduction to MAP
decision tree
Ensemble Learning
Introduction to Neural Networks
More about Neural Networks
Convolutional Neural Networks
Coding section for neural networks - Transfer Learning
K-means Clustering and EM maximization
Gaussian Mixture Model - hierarchical clusters - DBSCAN
PCA, tSNE - tips for ML projects
مشاهده بیشتر
نظرات
لطفا برای ارسال یا مشاهده تیکت به حساب خود وارد شوید
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.