فیلم کلاس یادگیری ماشین ( Machine Learning )

دکمه های صورتی رنگ (یعنی جلسه های اول و دوم) به صورت دانلود مستقیم رایگان هستند.

 

عنوان

زمان

حجم

دریافت

1

جلسه‌ی اول

۱ ساعت و ۲۲ دقیقه

۲۴۰٫۲۶ مگابایت

2

جلسه‌ی دوم

۱ ساعت و ۱۷ دقیقه

۲۲۶٫۳ مگابایت

3

جلسه‌ی سوم

۱ ساعت و ۲۰ دقیقه

۲۳۴٫۶۸ مگابایت

4

جلسه‌ی چهارم

۱ ساعت و ۱۸ دقیقه

۲۲۹ مگابایت

5

جلسه‌ی پنجم

۱ ساعت و ۱۷ دقیقه

۲۲۶٫۶۵ مگابایت

6

جلسه‌ی ششم

۱ ساعت و ۱۸ دقیقه

۲۳۰٫۱۹ مگابایت

7

جلسه‌ی هفتم

۱ ساعت و ۱۳ دقیقه

۲۱۵٫۷۸ مگابایت

8

جلسه‌ی هشتم

۱ ساعت و ۱۶ دقیقه

۲۲۶٫۰۶ مگابایت

9

جلسه‌ی نهم

۱ ساعت و ۲۷ دقیقه

۲۵۶٫۷۹ مگابایت

10

جلسه‌ی دهم

۱ ساعت و ۲۵ دقیقه

۲۵۰٫۶۸ مگابایت

11

جلسه‌ی یازدهم

۱ ساعت و ۲۰ دقیقه

۲۳۴٫۶۴ مگابایت

12

جلسه‌ی دوازدهم

۱ ساعت و ۱۵ دقیقه

۲۲۰٫۹۲ مگابایت

13

جلسه‌ی سیزدهم

۱ ساعت و ۲۶ دقیقه

۲۵۳٫۹۴ مگابایت

14

جلسه‌ی چهاردهم

۱ ساعت و ۱۴ دقیقه

۲۱۸٫۱۵ مگابایت

15

جلسه‌ی پانزدهم

۱ ساعت و ۱۸ دقیقه

۲۳۰٫۴۵ مگابایت

16

جلسه‌ی شانزدهم

۱ ساعت و ۲۲ دقیقه

۲۴۱٫۲۱ مگابایت

17

جلسه‌ی هفدهم

۱ ساعت و ۱۶ دقیقه

۲۲۴٫۴۶ مگابایت

18

جلسه‌ی هجدهم

۱ ساعت و ۹ دقیقه

۲۰۴٫۵۷ مگابایت

 

1- The Learning Problems

(Introduction; supervised, unsupervised, and reinforcement learning. Components of the learning problem.)

2- Is Learning Feasible?

(Can we generalize from a limited sample to the entire space? Relationship between in-sample and out-of-sample.)

3- The Linear Model 1

(Linear classification and linear regression. Extending linear models through nonlinear transforms.)

4- Error and Noise

(The principled choice of error measures. What happens when the target we want to learn is noisy.)

5- Training versus Testing

(The difference between training and testing in mathematical terms. What makes a learning model able to generalize?)

6- Theory of Generalization

(How an infinite model can learn from a finite sample. The most important theoretical result in machine learning.)

7- The VC Dimension

(A measure of what it takes a model to learn. Relationship to the number of parameters and degrees of freedom.)

8- Bias-Variance Tradeoff

(Breaking down the learning performance into competing quantities. The learning curves.)

9- The Linear Model 2

(More about linear models. Logistic regression, maximum likelihood, and gradient descent.)

10- Neural Networks

(A biologically inspired model. The efficient backpropagation learning algorithm. Hidden layers.)

11- Overfitting

(Fitting the data too well; fitting the noise. Deterministic noise versus stochastic noise.)

12- Regularization

(Putting the brakes on fitting the noise. Hard and soft constraints. Augmented error and weight decay.)

13- Validation

(Taking a peek out of sample. Model selection and data contamination. Cross validation.)

14- Support Vector Machine

(One of the most successful learning algorithms; getting a complex model at the price of a simple one.)

15- Kernel Methods

(Extending SVM to infinite-dimensional spaces using the kernel trick, and to non-separable data using soft margins.)

16- Radial Basis Functions

(An important learning model that connects several machine learning models and techniques.)

17- Three Learning Principles

(Major pitfalls for machine learning practitioners; Occam’s razor, sampling bias, and data snooping.)

18- Epilogue

(The map of machine learning. Brief views of Bayesian learning and aggregation methods.)

 

لازم به ذکر است این دوره توسط آقای پروفسور «یاسر ابومصطفی» تدریس شده است. ایشان در زمینه‌ی مهندسی برق و علوم رایانه تخصص دارند.

CT_Mostafa_Online_Course

برای آشنایی بیشتر با ایشان، اینجا (+) کلیک نمایین.

 

640px-Caltech_Entrance

دانشگاه کالتچ (California Institute of Technology: Caltech) واقع در شهر پاسادنا از ایالت کالیفرنیا می باشد که در واقع یک موسسه‌ی خصوصی تحقیقاتی است. این دانشگاه دارای 6 دانشکده است.

این دانشگاه در صفحه‌ی یوتیوب خود برخی از کنفرانس‌ها و دوره‌ها را قرار می‌دهد که یکی از آنها «دوره‌ی آموزشی یادگیری ماشین» است. این دوره مربوط به سال 2012 بوده و برای تسهیل دسترسی، ما این دوره‌ی آموزشی را روی سرور رباتیکال قرار دادیم.

مطالب مشابه

4 comments