در این فرادرس چه چیزی یاد میگیریم؟ آموزش با جبر خطی و نحوه نمایش دادهها بهصورت بردار و ماتریس آغاز میشود و سپس مفاهیم فاصله، شباهت، تبدیلهای خطی، مقادیر ویژه و SVD همر...
در این فرادرس چه چیزی یاد میگیریم؟
آموزش با جبر خطی و نحوه نمایش دادهها بهصورت بردار و ماتریس آغاز میشود و سپس مفاهیم فاصله، شباهت، تبدیلهای خطی، مقادیر ویژه و SVD همراه با پیادهسازی در NumPy بررسی میشوند. در ادامه، توابع، مشتق، مشتق جزئی، گرادیان و قاعده زنجیرهای را میآموزیم و ارتباط آنها را با آموزش مدل بررسی میکنیم. سپس وارد مبحث بهینهسازی میشویم و Gradient Descent، نرخ یادگیری، انواع روشهای گرادیان کاهشی و بهینهسازی مقید را مطالعه و در Python پیادهسازی میکنیم. پس از این مباحث، رگرسیون خطی را از مدل ریاضی و تابع MSE تا پیادهسازی از صفر بررسی کرده و نتیجه را با Scikit-learn مقایسه میکنیم. در مرحله بعد، آمار توصیفی، همبستگی، احتمال، قانون بیز و توزیعهای مهم آموزش داده میشوند. در پایان، مفاهیم ریاضی در KNN و دستهبندی بیزی به کار گرفته شده و در یک پروژه جمعبندی، مباحث آموختهشده به صورت تلفیقی استفاده میشوند.
اهمیت یادگیری ریاضیات کاربردی برای یادگیری ماشین با پایتون چیست؟
بخش قابلتوجهی از مفاهیم یادگیری ماشین بر پایه ریاضیات شکل گرفتهاند و شناخت این مبانی به درک بهتر نحوه نمایش دادهها، محاسبه خطا، بهینهسازی پارامترها و تصمیمگیری مدلها کمک میکند. یادگیری جبر خطی، مشتق و گرادیان، بهینهسازی و احتمال و آمار باعث میشود الگوریتمهای یادگیری ماشین صرفا به صورت مجموعهای از دستورات آماده مورد استفاده قرار نگیرند و منطق محاسباتی پشت آنها نیز قابل تحلیل باشد. ترکیب مفاهیم نظری با پیادهسازی در پایتون نیز ارتباط میان روابط ریاضی و اجرای محاسبات را روشنتر میکند. این آموزش برای علاقهمندان به یادگیری ماشین، دانشجویان و افرادی مناسب است که با پایتون آشنایی دارند و میخواهند پیش از ورود عمیقتر به الگوریتمهای یادگیری ماشین، مبانی ریاضی مورد نیاز را به صورت کاربردی و همراه با پیادهسازی فرا بگیرند.
هنوز نظری ثبت نشده است.