آموزش ریاضیات کاربردی برای یادگیری ماشین با پایتون + کاربرد تلفیقی – پیش ثبت نام

آموزش ریاضیات کاربردی برای یادگیری ماشین با پایتون + کاربرد تلفیقی – پیش ثبت نام

ریاضیات مورد نیاز یادگیری ماشین را با پایتون یاد بگیرید و با مفاهیم جبر خطی، احتمال، آمار، مشتق و بهینه سازی در مدل های یادگیری ماشین آشنا شوید.

توضیحات کامل دوره

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.

  • فصل یکم: جبر خطی برای نمایش و تحلیل داده‌ها
    • درس ۱: داده‌ها به زبان بردار و ماتریس
    • درس ۲: ضرب داخلی، نرم، فاصله و شباهت
    • درس ۳: تبدیل‌های خطی و حل دستگاه معادلات
    • درس ۴: مقدار ویژه، بردار ویژه و تجزیه SVD
  • فصل دوم: توابع و حساب دیفرانسیل در یادگیری ماشین
    • درس ۵: توابع پرکاربرد در مدل‌های یادگیری ماشین
    • درس ۶: مشتق و نرخ تغییر
    • درس ۷: مشتق جزیی و گرادیان
    • درس ۸: قاعده زنجیره‌ای و نقش آن در آموزش مدل
  • فصل سوم: بهینه‌سازی و گرادیان کاهشی
    • درس ۹: مساله بهینه‌سازی در یادگیری ماشین
    • درس ۱۰: الگوریتم Gradient Descent و نرخ یادگیری
    • درس ۱۱: انواع روش‌های Gradient Descent
    • درس ۱۲: بهینه‌سازی مقید و روش لاگرانژ
    • درس ۱۳: پیاده‌سازی مساله بهینه‌سازی در Python
  • فصل چهارم: پروژه ریاضی رگرسیون خطی از صفر
    • درس ۱۴: مدل ریاضی رگرسیون خطی
    • درس ۱۵: تابع MSE و برازش مدل
    • درس ۱۶: پیاده‌سازی Linear Regression از صفر
    • درس ۱۷: مقایسه مدل دستی با Scikit-learn
  • فصل پنجم: آمار و احتمال برای تحلیل داده و مدل‌سازی
    • درس ۱۸: آمار توصیفی و شناخت ساختار داده
    • درس ۱۹: کوواریانس و همبستگی
    • درس ۲۰: مبانی احتمال و احتمال شرطی
    • درس ۲۱: قانون بیز و کاربرد آن در یادگیری ماشین
    • درس ۲۲: متغیر تصادفی و توزیع‌های مهم
  • فصل ششم: کاربرد تلفیقی ریاضیات در الگوریتم‌های یادگیری ماشین
    • درس ۲۳: فاصله و شباهت در الگوریتم KNN
    • درس ۲۴: احتمال و قانون بیز در دسته‌بندی
    • درس ۲۵: پروژه جمع‌بندی ریاضیات برای یادگیری ماشین

سرفصل‌های دوره

این دوره سرفصلی ندارد

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1 تومان

این دوره شامل:
0:0:0 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:19:27
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: