Lesson 11 of 58
ماشینلرنینگ | Introduction to Gradient Descent
Lessons58 lessons
- 1ماشینلرنینگ | Course Overview
- 2ماشین لرنینگ | Machine Learning 101
- 3ماشین لرنینگ | Introduction to Probabilistic Modeling
- 4ماشینلرنینگ | Random Variables and Probability Theory
- 5ماشینلرنینگ | Moments
- 6ماشینلرنینگ | Common Discrete Probability Distributions
- 7ماشینلرنینگ | Common Continuous Probability Distributions
- 8ماشینلرنینگ | Frequentist vs Bayesian Approaches
- 9ماشینلرنینگ | Bayesian Inference
- 10ماشینلرنینگ | Introduction to Optimization
- 11ماشینلرنینگ | Introduction to Gradient Descent
- 12ماشینلرنینگ | Variants of Gradient Descent
- 13ماشینلرنینگ | Parameter Estimation in Machine Learning
- 14ماشینلرنینگ | Maximum Likelihood Estimation
- 15ماشینلرنینگ | Bayesian Estimation
- 16ماشینلرنینگ | Introduction to Regression
- 17ماشینلرنینگ | Simple Linear Regression
- 18ماشینلرنینگ | Multiple Linear Regression
- 19ماشینلرنینگ | Polynomial Regression and Overfitting
- 20ماشینلرنینگ | Regularization Techniques in Linear Regression
- 21ماشینلرنینگ | L1 and L2 Regularization
- 22ماشینلرنینگ | Introduction to Evaluation Metrics for Linear Regression
- 23ماشینلرنینگ | Project 1, Tips Dataset
- 24ماشینلرنینگ | Introduction to Scikit-learn
- 25ماشینلرنینگ | Data Representation in Scikit-learn
- 26ماشینلرنینگ | Estimator API
- 27ماشینلرنینگ | Pipeline API
- 28ماشینلرنینگ | Hyperparameter Tuning
- 29ماشینلرنینگ | Model Persistence
- 30ماشینلرنینگ | Introduction to Classification
- 31ماشینلرنینگ | Generalized Linear Models
- 32ماشینلرنینگ | Logistic Regression
- 33ماشینلرنینگ | Other GLMs for Classification
- 34ماشینلرنینگ | Beyond GLM, Decision Trees
- 35ماشینلرنینگ | Naive Bayes
- 36ماشینلرنینگ | K-Nearest Neighbours
- 37ماشینلرنینگ | Support Vector Machines
- 38ماشینلرنینگ | Classification Evaluation Metrics
- 39ماشینلرنینگ | Introduction to Unsupervised Learning
- 40ماشینلرنینگ | Clustering Fundamentals
- 41ماشینلرنینگ | K-Means Clustering
- 42ماشینلرنینگ | Density Based Clustering
- 43ماشینلرنینگ | Dimensionality Reduction Fundamentals
- 44ماشینلرنینگ | Feature Extraction
- 45ماشینلرنینگ | Feature Selection
- 46ماشینلرنینگ | Association Rule Mining
- 47ماشینلرنینگ | Introduction to Ensemble Methods
- 48ماشینلرنینگ | Bagging
- 49ماشینلرنینگ | Random Forest
- 50ماشینلرنینگ | Boosting Algorithms
- 51ماشینلرنینگ | Stacking
- 52ماشینلرنینگ | Voting Classifier
- 53ماشینلرنینگ | Foundation of Artificial Neural Networks
- 54ماشینلرنینگ | The Perceptron and Basic Network Architecture
- 55ماشینلرنینگ | Core Concepts for Neural Networks
- 56ماشینلرنینگ | Training Neural Networks
- 57ماشینلرنینگ | Practical Implementation in Python
- 58ماشینلرنینگ | Introduction to Deep Learning