جزوه مقدمه ای بر یادگیری ماشین دانشگاه شهید بهشتی

جزوه مقدمه ای بر یادگیری ماشین دانشگاه شهید بهشتی تهران که توسط احمد محمودی ازناوه در سال ۱۳۹۸ تهیه شده است را از لینک زیر می توانید دانلود نمایید.

یادگیری ماشین برنامه نویسی برای بهینه سازی یک عملکرد با استفاده از داده ها و تجربیات گذشته است. یادگیری ماشین در پی راهی برای ایجاد برنامه ای است که عملکرد را به صورت خودکار و با توجه به تجربیات ارتقا دهد.

فهرست مطالب جزوه مقدمه ای بر یادگیری ماشین :

معرفی

• چند تذکر
• منابع
• بارم بندی
• سرفصل
• هوش مصنوعی
• یادگیری چیست؟
• یادگیری ماشین
• چرا یادگیری؟
• کاربردهای یادگیری ماشین
• انواع شیوه های یادگیری

یادگیری بانظارت: دسته بندی و رگرسیون

• یادگیری کلاس
• تعداد نمونه های آموزشی مورد نیاز
• دسته بندی چندکلاسی
• مقدمه ای بر رگرسیون
• رگرسیون خطی تک متغیره
• انتخاب مدل

یادگیری بیزی و روش های پارامتری

• یادگیری بیزی
• معیارهای تصمیم گیری
• تابع درست نمایی

روش های چندمتغیره

• داده های چندمتغیره
• تخمین پارامترها
• کواریانس و ضریب همبستگی
• دسته بندی
• رگرسیون

کاهش ابعاد

• مزایای کاهش ابعاد
• انتخاب خصیصه
• استخراج خصیصه
• تحلیل مؤلفه ی اصلی
• تحلیل تفکیک خطی
• تحلیل عاملی
• تجزیه به مقادیر تکین
• تغییر مقیاس داده های چند بعدی

روش های نیمه پارامتری

• روش های نیمه پارامتری
• ترکیب چند توزیع
• K-means
• الگوریتم امید ریاضی–بیشینه کردن (EM)
• خوشه بندی سلسله مراتبی

روش های ناپایداری

• روش های ناپارامتری
• تخمین چگالی
• دسته بندی
• رگرسیون
• تشخیص داده های برون هشته

درخت تصمیم

• درخت تصمیم
• درخت تصمیم تک متغیره
• درخت های دسته بندی
• درخت های رگرسیون
• هرس کردن
• استخراج قانون با کمک درخت
• استنتاج قانون
• درخت های چند متغیره

مجموعه های جدایی پذیر خطی

• انواع دسته بندی
• بر پایه درست نمایی
• بر پایه جداساز
• جداساز خطی
• تعمیم مدل های خطی
• تعبیر هندسی جداساز خطی
• جداسازی دودسته ای و چنددسته ای
• مروری بر جداسازی پارامتری
• نزول گرادیان
• رتبه بندی

ماشین بردار پشتیبان (SVM)

• ماشین بردار پشتیبان (SVM)
• تاریخچه
• معرفی
• داده های جدایی پذیر خطی
• Soft Margin
• مجموعه های جدایی ناپذیر خطی
• نگاشت به فضایی با ابعاد بالا
• Inner product kernel
• مثال XOR