آموزش تصویری ایجاد ایمیل در گوگل(Gmail)

پیش نیازها:

مروری بر جبر خطی - دریافت

مروری بر احتمال - دریافت

منابع دوره:

دوره Machine Learning دانشگاه استنفورد - لینک

 [Pattern Recognition And Machine Learning [Springer 2006 از Christopher M. Bishop - دریافت

منابع برای مطالعات بیشتر:

Deep Learning - Ian Goodfellow, Yoshua Bengio and Aaron Courville - دریافت

Reinforcement Learning An Introduction - دریافت

برای ارسال تمرینات و بیان اشکالات با ایمیل زیر در ارتباط باشید:

farzadhosseinian1 [at] gmail [dot] com

همچنین از کانال تلگرام زیر استفاده کنید

@UMAMachineLearning98

برای اطلاعات بیشتر از مدرس به صفحه لینکداین مراجعه کنید. برای دیدن صفحه لینکداین مدرس کلیک کنید.

این جلسه در تاریخ 98/08/29 برگزار شد

دریافت پاوریونت

دریافت کد

مطالب بیان شده:

- رگرسیون خطی

- تابع هزینه

- گرادیان کاهشی

- پیاده سازی با پایتون 

تمرین این جلسه:

برای داده های اسلاید اخر، پارامترهای مدل رگرسیون را با دو روش آماری و گرادیان خطی بیابید. ( توضیح: روش آماری را برروی کاغذ تحلیل کنید و تصویر را ضمیمه فایل .zip ارسالی کنید. همچنین، کد پایتون روش گرادیان کاهشی را تحت یک فایل .py به فایل زیپ ضمیمه کنید و به ایمیل بفرستید)

مهلت: تا پایان دوره

موفق باشید

این جلسه در تاریخ 98/09/13 برگزار شد

دریافت پاوریونت

دریافت کد رگرسیون لاجستیک

Boston House Pricing(Scikit-learn dataset) دریافت کد

Students Grades(UCI dataset) دریافت کد 

سایت دانشگاه UCI برای دیتاست های تمرینی

مطالب بیان شده:

- مرور مفاهیم بیان شده

- Overfitting/Underfitting

- Feature Selection

- Regularization

- Regularized J() function

- Regularized Gradient Descent

- پیاده سازی با پایتون 

- بررسی دو نمونه کد با پکیج sklearn