صفحه اصلی / آموزش ویدئویی / آموزش یادگیری ماشین توسط اندرو ان جی (دوره Coursera)

آموزش یادگیری ماشین توسط اندرو ان جی (دوره Coursera)

بسم الله الرحمن الرحیم

یکی از پیش شرطهای فعالیت در حوزه یادگیری عمیق دونستن مفاهیم یادگیری ماشین هست. در این باره هم منابع مختلفی هم در سایت و هم در بخش پرسش و پاسخ و گروه تلگرام مطرح شد.
یکی از بهترین منابع برای یادگیری این مهم، آموزش بسیار عالی و روان دکتر اندرو ان جی در coursera هست .
این دوره به مدت ۱۹ ساعت به زبان و زیرنویس انگلیسی هست و بصورت روان و بسیار زیبا مفاهیم مهم و اصلی یادگیری ماشین تدریس میشه .
جزییات دوره بصورت زیر هست :

 

Linear Regression with One Variable (Week 1)
۱)Model Representation (8 min)
۲)Cost Function (8 min)
۳)Cost Function – Intuition I (11 min)
۴)Cost Function – Intuition II (9 min)
۵)Gradient Descent (11 min)
۶)Gradient Descent Intuition (12 min)
۷)Gradient Descent For Linear Regression (10 min)
۸)What’s Next (6 min)

Linear Algebra Review (Week 1, Optional)
۱)Matrices and Vectors (9 min)
۲)Addition and Scalar Multiplication (7 min)
۳)Matrix Vector Multiplication (14 min)
۴)Matrix Matrix Multiplication (11 min)
۵)Matrix Multiplication Properties (9 min)
۶)Inverse and Transpose (11 min)

Linear Regression with Multiple Variables (Week 2)
۱)Multiple Features (8 min)
۲)Gradient Descent for Multiple Variables (5 min)
۳)Gradient Descent in Practice I – Feature Scaling (9 min)
۴)Gradient Descent in Practice II – Learning Rate (9 min)
۵)Features and Polynomial Regression (8 min)
۶)Normal Equation (16 min)
۷)Normal Equation Noninvertibility (Optional) (6 min)

(Week 2)Octave Tutorial
۱)Basic Operations (14 min)
۲)Moving Data Around (16 min)
۳)Computing on Data (13 min)
۴)Plotting Data (10 min)
۵)Control Statements: for, while, if statements (13 min)
۶)Vectorization (14 min) Discuss for Vectorization (14 min)
۷)Working on and Submitting Programming Exercises (4 min)

Logistic Regression (Week 3)
۱)Classification (8 min)
۲)Hypothesis Representation (7 min)
۳)Decision Boundary (15 min)
۴)Cost Function (11 min)
۵)Simplified Cost Function and Gradient Descent (10 min)
۶)Advanced Optimization (14 min)
۷)Multiclass Classification: One-vs-all (6 min)

Regularization (Week 3)
۱)The Problem of Overfitting (10 min)
۲)Cost Function (10 min)
۳) Regularized Linear Regression (11 min)
۴)Regularized Logistic Regression (9 min)

Neural Networks: Representation (Week 4)
۱)Non-linear Hypotheses (10 min)
۲)Neurons and the Brain (8 min)
۳)Model Representation I (12 min)
۴)Model Representation II (12 min)
۵)Examples and Intuitions I (7 min)
۶)Examples and Intuitions II (10 min)
۷)Multiclass Classification (4 min)

Neural Networks: Learning (Week 5)
۱)Cost Function (7 min)
۲)Backpropagation Algorithm (12 min)
۳)Backpropagation Intuition (13 min)
۴)Implementation Note: Unrolling Parameters (8 min)
۵)Gradient Checking (12 min)
۶)Random Initialization (7 min)
۷)Putting It Together (14 min)
۸)Autonomous Driving (7 min)

Advice for Applying Machine Learning (Week 6)
۱)Deciding What to Try Next (6 min)
۲)Evaluating a Hypothesis (8 min)
۳)Model Selection and Train-Validation-Test Sets (12 min)
۴)Diagnosing Bias vs. Variance (8 min)
۵)Regularization and Bias-Variance (11 min)
۶)Learning Curves (12 min)
۷)Deciding What to Do Next Revisited (7 min)

Machine Learning System Design (Week 6)
۱)Prioritizing What to Work On (10 min)
۲)Error Analysis (13 min)
۳)Error Metrics for Skewed Classes (12 min)
۴)Trading Off Precision and Recall (14 min)
۵)Data For Machine Learning (11 min)

Support Vector Machines (Week 7)
۱)Optimization Objective (15 min)
۲)Large Margin Intuition (11 min)
۳)Mathematics Behind Large Margin Classification (Optional) (20 min)
۴)Kernels I (16 min) Discuss for Kernels I (16 min)
۵)Kernels II (16 min) Discuss for Kernels II (16 min)
۶)Using An SVM (21 min)

Clustering (Week 8)
۱)Unsupervised Learning: Introduction (3 min)
۲)K-Means Algorithm (13 min)
۳)Optimization Objective (7 min)
۴)Random Initialization (8 min)
۵)Choosing the Number of Clusters (8 min)

Dimensionality Reduction (Week 8)
۱)Motivation I: Data Compression (10 min)
۲)Motivation II: Visualization (6 min)
۳)Principal Component Analysis Problem Formulation (9 min)
۴)Principal Component Analysis Algorithm (15 min)
۵)Choosing the Number of Principal Components (11 min)
۶)Reconstruction from Compressed Representation (4 min)
۷)Advice for Applying PCA (13 min)

Anomaly Detection (Week 9)
۱)Problem Motivation (8 min)
۲)Gaussian Distribution (10 min)
۳)Algorithm (12 min)
۴)Developing and Evaluating an Anomaly Detection System (13 min)
۵)Anomaly Detection vs. Supervised Learning (8 min)
۶)Choosing What Features to Use (12 min)
۷)Multivariate Gaussian Distribution (Optional) (14 min)
۸)Anomaly Detection using the Multivariate Gaussian Distribution (Optional) (14 min)

Recommender Systems (Week 9)
۱)Problem Formulation (8 min)
۲)Content Based Recommendations (15 min)
۳)Collaborative Filtering (10 min)
۴)Collaborative Filtering Algorithm (9 min)
۵)Vectorization: Low Rank Matrix Factorization (8 min)
۶)Implementational Detail: Mean Normalization (9 min)

Large Scale Machine Learning (Week 10)
۱)Learning With Large Datasets (6 min)
۲)Stochastic Gradient Descent (13 min)
۳)Mini-Batch Gradient Descent (6 min)
۴)Stochastic Gradient Descent Convergence (12 min)
۵)Online Learning (13 min) Discuss for Online Learning (13 min)
۶)Map Reduce and Data Parallelism (14 min)

Application Example: Photo OCR
۱)Problem Description and Pipeline (7 min)
۲)Sliding Windows (15 min)
۳)Getting Lots of Data and Artificial Data (16 min)
۴)Ceiling Analysis: What Part of the Pipeline to Work on Next (14 min)

Conclusion
Summary and Thank You (5 min)

 

برای دانلود این دوره اینجا کلیک کنید .
برای خرید این مجموعه اینجا کلیک کنید

درباره سید حسین حسن پور متی کلایی

سید حسین حسن پور متی کلایی
موسس و مدیر سایت. اطلاعات در مورد فعالیت های کاری و تحصیلی : linkedIn . برای ارتباط از بخش تماس با ما یا در باره من استفاده کنید.

16 دیدگاه‌ها

  1. درود و مهر بر شما
    دوره های را بصورت فایل های مجزا با حجم کمتر قرار دهید تا بشود به راحتی آنرا دانلود کرد.
    سپاسگزارم

    • سید حسین حسن پور متی کلایی

      سلام
      چون اکثر فایلهای دانلودی الان ۱ گیگ هست من هم این رو ۱ گیگی اپلود کردم .
      فایلهای آموزش های دیگه که اپلود کردم هم همین اندازه حجم دارن ۴۰۰ مگ ۵۰۰ مگ و بعضا یک گیگ .
      بفرمایید به نظر شما چه اندازه ای باشه بهتره تا با توجه به بازخوردها در اپلود های بعدی من اینو لحاظ کنم .
      ضمن اینکه این لینکها مستقیم هستن و از بین نمیرن . میتونید براحتی از IDM برای دانلود استفاده کنید.

  2. داداش رمز فایل چیه:)

  3. سلام
    کاش اینها زیر نویس فارسی هم داشت
    حداقل زیرنویس انگلیسی داشت

  4. سلام خیلی عالیه. ممنون.
    خیلی وقت بود دنبال این بودم.واقعا از درس دادنش لذت میبرم

  5. سلام. فایل rar رو دانلود کردم ولی نیاز به پسورد داره. لطفا بفرمایید چکاری باید انجام داد.

  6. اجازه extract کردن نمیده تا پسورد نباشه. وقتی داخل خود فولدر میرم فولدر های دیگه هست که شامل ویدیو و پی دی اف و … هستن. روی اونها هم که کلیک میکنم پسورد لازم دارن. کجای فولدر ها میشه پسورد رو دید؟

  7. لینک دانلود خرابه

  8. سلام میتونید این دوتا رو هم قرار بدید:
    Data Structures and Algorithms Specialization
    و
    Applied Data Science with Python Specialization

    یا حداقل سایتی واسه دانلود این اموزش ها میشناسید؟ سایت های فارسی ناقص بودن اموزش ها اکثرا

    • سید حسین حسن پور متی کلایی

      سلام
      این کورسها اگه در کورس ایرا هست میتونید بصورت رایگان استفاده کنید. فقط از وی پی ان استفاده باید بکنید .
      بعضی از این کورسها هم قبلا در اکادمی تورنت که در بخش دیتاستها معرفی کردم قرار داده شدن میتونید از اونجا هم دانلود کنید.

  9. سلام
    ممنون که این مجموعه ارزشمند را در سایت قرار دادید course پنجم هم الان در coursera قرار دارد لطفا آن را هم به مجموعه اضافه کنید
    Course 1 Neural Networks and Deep Learning

    Course 2 Improving Deep Neural Networks

    Course 3 Structured Machine Learning Projects

    Course 4 Convolutional Neural Networks

    Course 5 Sequence Models

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

This site uses Akismet to reduce spam. Learn how your comment data is processed.