یادگیری ماشین م قدماتی
Elementary Machine Learning
| نام درس: | یادگیری ماشین مقدماتی | مقطع: | کارشناسی |
|---|---|---|---|
| پیش‌نیاز: | مبانی محاسبات علمی ،ساختمان داده‌ها | گروه درس: | تخصصی الزامی |
| هم‌نیاز: | ندارد | نوع درس: | نظری |
| تعداد واحد: | 3 | تعداد ساعت: | 48 |
| حل تمرین: | دارد |
سرفصل درس:
اصطلاحات و مفاهیم پایه یادگیری ماشینی، تفاوت بین یادگیری با نظارت و یادگیری بی نظارت، طبقه‌بندی داده‌ها: روش k-نزدیک‌ترین همسایه، روشها و معیارهای ارزیابی طبقه‌بندها: صحت، دقت و فراخوانی، ماتریس درهم‌ریختگی، اعتبارسنجی متقابل. رگرسیون: رگرسیون خطی، روش معادلات نرمال، رگرسیون لجستیک، مدل ساده پرسپترون، شبکه‌های عصبی چند لایه پرسپترونی.
آشنایی با نرمال‌سازی و استانداردسازی داده‌ها. روش بیز ساده، درخت تصمیم و الگوریتم‌های مربوطه. آشنایی مقدماتی با ترکیب طبقه‌بندها، جنگل تصادفی. آشنایی با روشهای یادگیری نیمه نظارتی و خودنظارتی.
مباحث تکمیلی درخصوص رگرسیون: انتخاب متغیرها در مدل‌های رگرسیونی، مدل‌های رگرسیون چندجمله‌ای، اسپلاین
الگوریتم‌های یادگیری بدون نظارت، روش خوشه‌بندی K-Means. آشنایی با چند معیار ارزیابی روشهای خوشه‌بندی، آنالیز مؤلفه‌های اصلی (PCA) و تحلیل تفکیک خطی (تحلیل ممیزی یا (LDA.
راهبردهای تدریس و یادگیری متناسب با محتوا و هدف:
در تدریس این درس به سرفصل درس داده‌کاوی مقدماتی هم توجه شود که هم‌پوشانی تدریس کمینه باشد. فرض بر این است که روش ماشین بردار پشتیبان در درس‌های بهینه‌سازی گفته می‌شود. همچنین به فرض سایر موضوعات مرتبط با یادگیری ماشین همچون روشهای منظم‌ساز، رگرسیون ریج، روشهای بگینگ و بوستینگ،AdaBoost, XGBoost, EM، روشهای کرنل، نفرین ابعاد، موازنه بایاس-وارایانس، سایر روشهای ارزیابی طبقه‌بندها و خوشه‌بندها در دروس تکمیلی مرتبط با یادگیری ماشین، همچون مباحثی در علوم کامپیوتر یا دروس تحصیلات تکمیلی گفته خواهد شد. آشنایی با شرکت در مسابقات برنامه‌نویسی همچون کاگل می‌تواند مثمرثمر باشد.
منابع:
-
James, G., Witten, D., Hastie, T., Tibshirani, R. and Taylor, J. (2023). An Introduction to Statistical Learning, with applications in Python, Springer, New York. [Github], https://www.statlearning.com/
-
VanderPlas, J. (2022). Python data science handbook: Essential tools for working with data. 2nd Edition, O'Reilly Media [Github]
-
Sugiyama, M. (2015). Introduction to Statistical Machine Learning, Elsevier Science.
-
Forrest, P. (2017). An Introduction to Statistical Learning, Create Space Independent Publishing Platform.
-
Zaki, M. J., & Meira, W., (2014) Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press.**