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