موضوع‌های مرتبط
این دوره شامل
- 34 ساعت 53 دقیقه ویدیو
- 28 درس
- سطح: متوسط
- زبان: فارسی
- یادمان می‌ماند کجا بودی
- کاملاً رایگان، بدون کارت
درس‌ها
3 بخش · 28 درس · 34 ساعت 53 دقیقه مدت کل
درس‌های 1 تا 1010 درس · 12 ساعت 45 دقیقه
- جلسه ۱ - معرفی دوره، یادگیری نظارتی (Introduction, Supervised Learning)1 ساعت 6 دقیقه
- جلسه ۲ - رگرسیون خطی، کاهش گرادیان (Linear Regression, Gradient Descent)1 ساعت 22 دقیقه
- جلسه ۳ - رگرسیون چندجملهای، تعمیمپذیری (Polynomial Regression, Generalization)1 ساعت 5 دقیقه
- جلسه ۴ - دستهبندی خطی، شبکهی عصبی پرسپترون (Linear Classification , Perceptron Neural Network)1 ساعت 16 دقیقه
- جلسه ۵ - رگرسیون لجستیک (Logistic Regression)1 ساعت 19 دقیقه
- جلسه ۶ - K نزدیکترین همسایه (K-Nearest Neighbors)1 ساعت 14 دقیقه
- جلسه ۷ - یادگیری جمعی، درخت تصمیم، جنگل تصادفی (Ensemble Learning, Decision Tree, Random Forest)1 ساعت 26 دقیقه
- جلسه ۸ - یادگیری بدون نظارت، خوشهبندی (Unsupervised Learning, Clustering, KMeans)1 ساعت 14 دقیقه
- جلسه ۹ - کاهش بعد، تحلیل مولفه‌های اصلی (Dimension Reduction, Principal Components Analysis - PCA)1 ساعت 27 دقیقه
- جلسه ۱۰ - شبکه‌های عصبی ژرف، الگوریتم پسانتشار (Deep Neural Networks, Backpropagation Algorithm)1 ساعت 14 دقیقه
درس‌های 11 تا 2010 درس · 12 ساعت 26 دقیقه
- جلسه ۱۱ - پسانتشار ماتریسی، فعالسازی و زیان (Matrix Backpropagation, Activation & Loss Functions)1 ساعت 22 دقیقه
- جلسه ۱۲ - بهینهسازی، الگوریتم Adam و نیوتون (Optimization, Adam & Newton Algorithms)1 ساعت 22 دقیقه
- جلسه ۱۳ - تنظیم مدل (Regularization, Lasso, Ridge, Dropout)1 ساعت 7 دقیقه
- جلسه ۱۴ - نرمالسازی دستهای (Batch Normalization, Universal Approximation Theorem)1 ساعت 23 دقیقه
- جلسه ۱۵ - آموزش عملی - کاهش ابعاد و دستهبندی (Classification in Pytorch & Scikit-learn)1 ساعت 24 دقیقه
- جلسه ۱۶ - بینایی کامپیوتر، شبکه‌های عصبی کانولوشن (Computer Vision, Convolutional Neural Networks)1 ساعت 15 دقیقه
- جلسه ۱۷ - اجزای شبکهی CNN برای پردازش تصویر (Channels & Pooling Layer in CNN)1 ساعت 9 دقیقه
- جلسه ۱۸ - قضیه تفکیک عمق، پیادهسازی عملی (Depth Separation Theorem, CNN Implementation)1 ساعت 5 دقیقه
- جلسه ۱۹ - شبکه‌های عمیق پردازش تصویر (AlexNet & ResNet Networks)1 ساعت 14 دقیقه
- جلسه ۲۰ - شبکه‌های خودرمزگذار (Autoencoders)1 ساعت 6 دقیقه
درس‌های 21 تا 288 درس · 9 ساعت 43 دقیقه
- جلسه ۲۱ - شبکه‌های (Denoising, Sparse, Contractive and Variational Autoencoder, U-Net)1 ساعت 24 دقیقه
- جلسه ۲۲ - پردازش زبان طبیعی (Natural Language Processing, Word Embedding, Word2Vec)1 ساعت 27 دقیقه
- جلسه ۲۳ - مکانیزم توجه (Attention Mechanism, Self Attention)1 ساعت 13 دقیقه
- جلسه ۲۴ - ترانسفورمر (Transformer)1 ساعت 14 دقیقه
- جلسه ۲۵ - معماری BERT برای یادگیری زبان طبیعی (BERT Architecture)1 ساعت 4 دقیقه
- جلسه ۲۶ - مدلهای بزرگ زبانی (Large Language Models, GPT, LLaMA)1 ساعت
- جلسه ۲۷ - ترانسفورمر بینایی (Vision Transformer, ViT)57 دقیقه
- جلسه ۲۸ - یادگیری خودنظارتی و مقایسه‌ای (Self Supervised Learning, Contrastive Learning, CLIP)1 ساعت 23 دقیقه
چه چیزی لازم است
- دانستن مقدمات کمک می‌کند: دوره از بعد از آن ادامه می‌دهد.
توضیحات
جلسه‌ی اول از دوره‌ی یادگیری ماشین دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف مدرس: دکتر علی شریفی زارچی، عضو هیات‌علمی گروه هوش‌مصنوعی و بیوانفورماتیک در این جلسه به معرفی سریع یادگیری ماشین، پایه‌ای‌ترین بخش دانش هوش‌مصنوعی می‌پردازیم و پس از معرفی کلی درس وارد بحث یادگیری نظارتی (Supervised Learning) می‌شویم.
این دوره برای چه کسی است
- کسانی که مقدمات Machine learning را می‌دانند.
این دو مورد برداشت ما از سطح دوره است. توضیحات از خود نویسنده است.