Explore related topics
This course includes
- 34h 53m of video
- 28 lessons
- Level: Intermediate
- Spoken in فارسی
- Your place is remembered
- Free in full, no card
Lessons
3 sections · 28 lessons · 34h 53m total length
Lessons 1 to 1010 lessons · 12h 45m
- جلسه ۱ - معرفی دوره، یادگیری نظارتی (Introduction, Supervised Learning)1h 6m
- جلسه ۲ - رگرسیون خطی، کاهش گرادیان (Linear Regression, Gradient Descent)1h 22m
- جلسه ۳ - رگرسیون چندجملهای، تعمیمپذیری (Polynomial Regression, Generalization)1h 5m
- جلسه ۴ - دستهبندی خطی، شبکهی عصبی پرسپترون (Linear Classification , Perceptron Neural Network)1h 16m
- جلسه ۵ - رگرسیون لجستیک (Logistic Regression)1h 19m
- جلسه ۶ - K نزدیکترین همسایه (K-Nearest Neighbors)1h 14m
- جلسه ۷ - یادگیری جمعی، درخت تصمیم، جنگل تصادفی (Ensemble Learning, Decision Tree, Random Forest)1h 26m
- جلسه ۸ - یادگیری بدون نظارت، خوشهبندی (Unsupervised Learning, Clustering, KMeans)1h 14m
- جلسه ۹ - کاهش بعد، تحلیل مولفههای اصلی (Dimension Reduction, Principal Components Analysis - PCA)1h 27m
- جلسه ۱۰ - شبکههای عصبی ژرف، الگوریتم پسانتشار (Deep Neural Networks, Backpropagation Algorithm)1h 14m
Lessons 11 to 2010 lessons · 12h 26m
- جلسه ۱۱ - پسانتشار ماتریسی، فعالسازی و زیان (Matrix Backpropagation, Activation & Loss Functions)1h 22m
- جلسه ۱۲ - بهینهسازی، الگوریتم Adam و نیوتون (Optimization, Adam & Newton Algorithms)1h 22m
- جلسه ۱۳ - تنظیم مدل (Regularization, Lasso, Ridge, Dropout)1h 7m
- جلسه ۱۴ - نرمالسازی دستهای (Batch Normalization, Universal Approximation Theorem)1h 23m
- جلسه ۱۵ - آموزش عملی - کاهش ابعاد و دستهبندی (Classification in Pytorch & Scikit-learn)1h 24m
- جلسه ۱۶ - بینایی کامپیوتر، شبکههای عصبی کانولوشن (Computer Vision, Convolutional Neural Networks)1h 15m
- جلسه ۱۷ - اجزای شبکهی CNN برای پردازش تصویر (Channels & Pooling Layer in CNN)1h 9m
- جلسه ۱۸ - قضیه تفکیک عمق، پیادهسازی عملی (Depth Separation Theorem, CNN Implementation)1h 5m
- جلسه ۱۹ - شبکههای عمیق پردازش تصویر (AlexNet & ResNet Networks)1h 14m
- جلسه ۲۰ - شبکههای خودرمزگذار (Autoencoders)1h 6m
Lessons 21 to 288 lessons · 9h 43m
- جلسه ۲۱ - شبکههای (Denoising, Sparse, Contractive and Variational Autoencoder, U-Net)1h 24m
- جلسه ۲۲ - پردازش زبان طبیعی (Natural Language Processing, Word Embedding, Word2Vec)1h 27m
- جلسه ۲۳ - مکانیزم توجه (Attention Mechanism, Self Attention)1h 13m
- جلسه ۲۴ - ترانسفورمر (Transformer)1h 14m
- جلسه ۲۵ - معماری BERT برای یادگیری زبان طبیعی (BERT Architecture)1h 4m
- جلسه ۲۶ - مدلهای بزرگ زبانی (Large Language Models, GPT, LLaMA)1h
- جلسه ۲۷ - ترانسفورمر بینایی (Vision Transformer, ViT)57m
- جلسه ۲۸ - یادگیری خودنظارتی و مقایسهای (Self Supervised Learning, Contrastive Learning, CLIP)1h 23m
What you need
- Some grounding helps; this one picks up past the basics.
Description
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.
Who this course is for
- People who know the basics of Machine learning and want to go further.
Those two are our reading of the course's level. The description is the author's own.