دوره آموزشی مبانی یادگیری ماشین: جبر خطی
1 ساعت 20 دقیقهمتوسط2022-08-30
مدرسین

Terezija Semenski
Software Developer, Mathematician, Writer, and Learner
جزئیات دوره
آیا تا به حال فکر کرده اید که واقعاً در زیر الگوریتم یادگیری ماشینی چه می گذرد؟ پاسخ جبر خطی است. بدون آن، یادگیری ماشینی نمی تواند وجود داشته باشد. جبر خطی پیش نیازی برای درک و ایجاد تقریباً همه الگوریتمهای یادگیری ماشینی است، به ویژه الگوریتمهایی که شبکههای عصبی، ابزارهای پردازش زبان طبیعی و مدلهای یادگیری عمیق را پشتیبانی میکنند.
به مربی Terezija Semenski بپیوندید تا مفاهیم اصلی جبر خطی را در کنار تکنیکهای مورد نیاز برای طراحی و پیادهسازی یک الگوریتم یادگیری ماشین موفق کاوش کنید. اصول حساب برداری، هنجارهای برداری، ویژگی های ماتریس، عملیات پیشرفته، تبدیل ماتریس و الگوریتم هایی مانند رتبه صفحه گوگل را کشف کنید. در پایان این دوره، شما آماده خواهید بود که اصول جبر خطی را بپذیرید و آنها را در پروژه بزرگ بعدی یادگیری ماشین خود به کار ببرید.
به مربی Terezija Semenski بپیوندید تا مفاهیم اصلی جبر خطی را در کنار تکنیکهای مورد نیاز برای طراحی و پیادهسازی یک الگوریتم یادگیری ماشین موفق کاوش کنید. اصول حساب برداری، هنجارهای برداری، ویژگی های ماتریس، عملیات پیشرفته، تبدیل ماتریس و الگوریتم هایی مانند رتبه صفحه گوگل را کشف کنید. در پایان این دوره، شما آماده خواهید بود که اصول جبر خطی را بپذیرید و آنها را در پروژه بزرگ بعدی یادگیری ماشین خود به کار ببرید.
مهارت ها
CryptographyMachine LearningCybersecurityArtificial Intelligence (AI)One-Off
سرفصل ها
مقدمه
- مقدمه
- آنچه باید بدانید
مقدمه ای بر جبر خطی
- تعریف جبر خطی
- کاربردهای جبر خطی در ML
مبانی بردارها
- مقدمه ای بر بردارها
- حساب برداری
- سیستم مختصات
پیش بینی های برداری و اساس
- حاصل ضرب نقطه ای بردارها
- طرح ریزی اسکالر و برداری
- تغییر مبنای بردارها
- مبنا، استقلال خطی و دهانه
مقدمه ای بر ماتریس ها
- مقدمه ماتریس ها
- انواع ماتریس
- انواع تبدیل ماتریسی
- ترکیب یا ترکیب تبدیلات ماتریسی
حذف گاوسی
- حل معادلات خطی با استفاده از حذف گاوسی
- حذف گاوسی و یافتن ماتریس معکوس
- معکوس و تعیین کننده
ماتریس از متعامد به فرآیند گرم اشمیت
- مبنای تغییر ماتریس ها
- تبدیل به پایه جدید
- ماتریس متعامد
- فرآیند گرم اشمیت
مقادیر ویژه و بردارهای ویژه
- مقدمه ای بر مقادیر ویژه و بردارهای ویژه
- محاسبه مقادیر ویژه و بردارهای ویژه
- تغییر به eigenbasis
- الگوریتم پیج رنک گوگل
نتیجه
- مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی TensorFlow: مهارتهای عملی در ساخت، آموزش و بهینهسازی مدلها
- دوره آموزشی LinkedIn AI Academy AI-100: بخش دوم یادگیری تحت نظارت با شبکه های عصبی
- دوره آموزشی راهنمای کامل هوش مصنوعی و علم داده برای SQL: از مبتدی تا پیشرفته
- دوره آموزشی یادگیری جامع یادگیری تحت نظارت
- دوره آموزشی مبانی یادگیری ماشین: حساب دیفرانسیل و انتگرال
- دوره آموزشی مبانی یادگیری ماشین: نمونه سازی در Edge
مسیرهای مرتبط
- مسیر آموزشی ریاضیات پایه برای یادگیری ماشین
- مسیر آموزشی گواهینامه حرفهای مبانی آماری یادگیری ماشین
- مسیر آموزشی شروع کار با هوش مصنوعی و یادگیری ماشینی
- مسیر آموزشی توسعه دادن مهارت های SPSS
- مسیر آموزشی از دانشمند داده به یک تحلیلگر داده تبدیل شوید
- مسیر آموزشی ارتقا مهارت های خود در تجزیه و تحلیل پیش بینی کننده
- مسیر آموزشی ارتقاء مهارت های خود را در هوش مصنوعی و یادگیری ماشین
- مسیر آموزشی تبدیل شدن به یک مهندس یادگیری ماشین