Machine Learning — Course Plan, Fall 2026
برنامه درس یادگیری ماشین — ۸ هفته پایانی، پاییز ۱۴۰۵¶
گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد — محمود امینطوسی
نسخه تاریخدار. مبنا: سرفصل course-fall-2026/Course-Syllabus.pdf (۴ واحد)، محتوای notebooks/
و فهرست myst.yml. اولین جلسه باقیمانده: شنبه ۲۳ آبان ۱۴۰۵ (۱۴ نوامبر ۲۰۲۶).
شبکه زمانی هفتگی
| روز | ساعت | مدت | نقش |
|---|---|---|---|
| شنبه | ۱۰:۰۰–۱۱:۳۰ | ۹۰′ | درس |
| شنبه | ۱۱:۳۰–۱۳:۰۰ | ۹۰′ | سمینار دانشجویان |
| چهارشنبه | ۰۸:۰۰–۱۰:۰۰ | ۱۲۰′ | درس |
یعنی در هفته ۲۱۰ دقیقه درس + ۹۰ دقیقه سمینار، و در ۸ هفته ۱۶ جلسه درس و ۸ جلسه سمینار.
۱. بودجه زمان¶
| مؤلفه | محاسبه | دقیقه |
|---|---|---|
| درس، شنبهها | ۸ × ۹۰ | ۷۲۰ |
| درس، چهارشنبهها | ۸ × ۱۲۰ | ۹۶۰ |
| جمع زمان درس | ۱۶۸۰ | |
| محتوای لازم (۱۶ جلسه، بخش ۳ و ۴) | ۱۴۷۰ | |
| ذخیره: تمرین در کلاس، مرور، تعطیلی احتمالی | ۲۱۰ | |
| سمینار، شنبهها | ۸ × ۹۰ | ۷۲۰ |
| از آن: ۱۰ ارائه × ۳۰ | ۳۰۰ | |
| از آن: قاببندی ۶ موضوع | ۶۰ | |
| از آن: پرسش و بحث پایان هر سمینار | ۹۰ | |
| از آن: سه شنبه آزاد | ۲۷۰ |
سه تا شنبه که سمینار ندارند (۲۳ آبان، ۵ دی، ۱۲ دی).
۲. تقویم با تاریخ¶
ستون «تکلیف» فقط مهلتهای پروژه و تمرین است؛ جزئیات در بخش ۶.
| روز · ساعت | تاریخ (شمسی) | موضوع | نوع | تکلیف | میلادی |
|---|---|---|---|---|---|
| شنبه ۱۰–۱۱:۳۰ | ۲۳ آبان | اعتبارسنجی خوشهبندی: معیارهای خارجی و داخلی | درس M1 | PT1 منتشر شده | ۱۴ نوامبر |
| چهارشنبه ۸–۱۰ | ۲۷ آبان | k-means در عمل: همگرایی، مقدار اولیه، انتخاب k | درس M2 | انتشار تکلیف قیمت خانه | ۱۸ نوامبر |
| شنبه ۱۰–۱۱:۳۰ | ۳۰ آبان | رگرسیون خطی ۲: معادلات نرمال، GD/SGD، autograd | درس M3 | — | ۲۱ نوامبر |
| چهارشنبه ۸–۱۰ | ۴ آذر | MLP و پسانتشار | درس M4 | - | ۲۵ نوامبر |
| چهارشنبه ۱۰-۱۱ | ۴ آذر | سوگیری–واریانس (آقای حسینی) | سمینار س۱ | تحویل سمینار | ۲۱ نوامبر |
| شنبه ۱۰–۱۱:۳۰ | ۷ آذر | طبقهبندی: logistic، softmax، تنظیم، گزینش ویژگی | درس M5 | — | ۲۸ نوامبر |
| شنبه ۱۱:۳۰–۱۳ | ۷ آذر | درخت تصمیم و هرس (خانمها سلطانی و رحمانی) | سمینار س۲ | — | ۲۸ نوامبر |
| چهارشنبه ۸–۱۰ | ۱۱ آذر | PCA ۱: واریانس بیشینه، بازسازی، انتخاب مؤلفه | درس M6 | موعد تکلیف قیمت خانه | ۲ دسامبر |
| شنبه ۱۰–۱۱:۳۰ | ۱۴ آذر | PCA ۲ (ریاضی و SVD)، مقایسه با LDA، بُعد بالا | درس M7 | PT2 انتشار | ۵ دسامبر |
| شنبه ۱۱:۳۰–۱۳ | ۱۴ آذر | ترکیب مدلها (آقایان مهدوی و ژیان) | سمینار س۳ | — | ۵ دسامبر |
| چهارشنبه ۸–۱۰ | ۱۸ آذر | نقشه ویژگی، kernel trick، رگرسیون کرنلی | درس M8 | PT4 انتشار | ۹ دسامبر |
| شنبه ۱۰–۱۱:۳۰ | ۲۱ آذر | MLE، قاعده بیز، Naive Bayes | درس M9 | — | ۱۲ دسامبر |
| شنبه ۱۱:۳۰–۱۳ | ۲۱ آذر | نظریه یادگیری و بُعد VC (خانمها منشیزاده و امینی) | سمینار س۴ | PT2 موعد | ۱۲ دسامبر |
| چهارشنبه ۸–۱۰ | ۲۵ آذر | نظریه تصمیم بیزی، توابع ممیز، ماهالانوبیس | درس M10 | PT3 انتشار | ۱۶ دسامبر |
| شنبه ۱۰–۱۱:۳۰ | ۲۸ آذر | مخلوطهای گاوسی و EM | درس M11 | — | ۱۹ دسامبر |
| شنبه ۱۱:۳۰–۱۳ | ۲۸ آذر | رتبهدهی (۱) + نیمهنظارتی (خانم قربانی) | سمینار س۵ | PT4 موعد · PT7 انتشار | ۱۹ دسامبر |
| چهارشنبه ۸–۱۰ | ۲ دی | EM در حالت کلی، انواع کوواریانس، BIC، طبقهبند مخلوط | درس M12 | PT3 موعد · PT5 انتشار | ۲۳ دسامبر |
| شنبه ۱۰–۱۱:۳۰ | ۵ دی | HMM ۱: زنجیره مارکوف، تعریف، الگوریتم Forward | درس M13 | PT6 انتشار | ۲۶ دسامبر |
| شنبه ۱۱:۳۰–۱۳ | ۵ دی | آزاد: دموی پیشرفت پروژه | سمینار | — | ۲۶ دسامبر |
| چهارشنبه ۸–۱۰ | ۹ دی | HMM ۲: Viterbi، رمزگشایی، مقایسه با پیشبینی مستقل | درس M14 | PT7 موعد | ۳۰ دسامبر |
| شنبه ۱۰–۱۱:۳۰ | ۱۲ دی | جمعبندی: پیوند BV/نظریه، مباحث پیشرفته، تقویتی (۱۵′) | درس M15 | PT5 موعد | ۲ ژانویه |
| شنبه ۱۱:۳۰–۱۳ | ۱۲ دی | آزاد: دموی نهایی پروژه | سمینار | — | ۲ ژانویه |
| چهارشنبه ۸–۱۰ | ۱۶ دی | پرسشوپاسخ پروژه + مرور امتحان | درس M16 | PT6 موعد (۱۴ دی) · PT8 (مازاد) و گزارش نهایی | ۶ ژانویه |
چرا این ترتیب: زنجیره رگرسیون ← MLP ← طبقهبندی در جلسات متوالی نمیشکند؛ سمینارها تکیهگاه کلاسی دارند (BV بعد از رگرسیون، درخت بعد از طبقهبندی، ترکیب بعد از درخت، VC بعد از BV، نیمهنظارتی بعد از EM در همان روز)؛ HMM در دو جلسه آخر پیش از امتحان و همراه با PT6.
۳. جزئیات جلسات درس¶
M1 — شنبه ۲۳ آبان · اعتبارسنجی خوشهبندی¶
۳۵′ معیارهای خارجی (purity، precision/recall/F، تطبیق دوبخشی، Rand/Jaccard/ARI) · ۳۵′ معیارهای داخلی (silhouette، SSE، شکاف) · ۲۰′ جدول توافقی و پیادهسازی · ۱۵′ انتخاب معیار · ۱۵′ تمرین ARI روی تخته. کلید: چرا معیار داخلی برای انتخاب k قابل بهینهسازی است؛ دام «بهینهسازی معیار».
M2 — چهارشنبه ۲۷ آبان · k-means در عمل¶
۳۰′ تعریف افراز و SSE · ۳۰′ پیادهسازی از صفر، تکرار الگوریتم · ۲۰′ لم اتحاد فواصل جفتی با SSE و همگرایی · ۱۰′ k-means++ و انتخاب k. کلید: حساسیت به مقدار اولیه، پیچیدگی ، رابطه SSE با واریانس درونخوشه.
M3 — شنبه ۳۰ آبان · رگرسیون خطی ۲¶
۲۵′ معادلات نرمال و شرایط حل (رتبه، بدشرطی) · ۳۵′ گرادیان کاهشی: از یکبعدی به برداری، نرخ
یادگیری، SGD · ۲۰′ پیادهسازی PyTorch/autograd · ۱۰′ مقایسه هزینه دو راه.
پیوند: همین نزول گرادیان در M4 به پسانتشار تعمیم مییابد. یادداشت موجود:
notebooks/HWs/misc/Normal-Eq-vs-GD.ipynb.
M4 — چهارشنبه ۴ آذر · MLP و پسانتشار¶
۳۰′ تنسور، دستگاه، GPU · ۳۵′ از پرسپترون به MLP، فعالسازها، چرا بدون غیرخطی عمق بیفایده است ·
۴۵′ پسانتشار با محاسبه دستی روی شبکه کوچک + backward() · ۱۰′ جمعبندی.
M5 — شنبه ۷ آذر · طبقهبندی با مدلهای خطی¶
۳۰′ logistic، تابع هزینه، softmax، چندردهای (OvR/OvO) · ۳۰′ ridge/lasso/elastic-net و نقش در گزینش ویژگی · ۲۰′ تنظیم در شبکه (weight decay، early stopping) · ۱۰′ جمعبندی. بیرون از کلاس: بخش sparse/OMP/MRI نوشتار (مطالعه آزاد).
M6 — چهارشنبه ۱۱ آذر · PCA ۱¶
۳۵′ واریانس بیشینه و تغییر پایه · ۳۰′ بازسازی، انتخاب تعداد مؤلفه · ۲۵′ ارقام دستنویس و eigenfaces · ۲۰′ PCA برای تجسم و پیشپردازش · ۱۰′ دامها (مقیاس، تفسیر). تکلیف: PT2.
M7 — شنبه ۱۴ آذر · PCA ۲، LDA و بُعد بالا¶
۳۵′ استنتاج و SVD، همارزی واریانس بیشینه و کمینه خطای بازسازی · ۳۰′ PCA در برابر LDA روی Iris، سقف مؤلفه · ۲۵′ لعنت ابعاد: مکعب و کره، پوسته نازک، افت kNN.
M8 — چهارشنبه ۱۸ آذر · نقشه ویژگی و کرنل¶
۲۰′ مسئله دو حلقه و شکست خطی · ۴۰′ کرنل، ضرب داخلی، شرط مرسر، کرنلهای رایج · ۳۵′ رگرسیون کرنلی و قضیه نمایندهنده · ۲۵′ هزینه و محدودیت. بیرون از کلاس: اثبات مرسر، کرنل k-means، SVM کرنلی (درس دیگر).
M9 — شنبه ۲۱ آذر · MLE و Naive Bayes¶
۳۰′ تابع درستنمایی، لگاریتم، برآورد · ۳۵′ قاعده بیز، NB، هموارسازی لاپلاس · ۲۵′ مثال چندویژگی و مقایسه با حالت گاوسی.
M10 — چهارشنبه ۲۵ آذر · نظریه تصمیم بیزی و ماهالانوبیس¶
۲۵′ چرا اقلیدسی کافی نیست، سفیدسازی، ماهالانوبیس · ۴۵′ قاعده تصمیم، توابع ممیز · ۳۰′ سه حالت
کوواریانس و مثال دوکلاسی · ۲۰′ رسم مرزها و بحث.
بیرون از کلاس: Appendix-BDT-Discrete-Features.md.
M11 — شنبه ۲۸ آذر · GMM و EM¶
۲۰′ نقد k-means، مدل مخلوط · ۴۵′ گام E و M، مشتق درستنمایی · ۱۵′ k-means بهعنوان حالت خاص · ۱۰′ شروع BIC.
M12 — چهارشنبه ۲ دی · EM، BIC و طبقهبند مخلوط¶
۲۵′ EM در حالت کلی (چرا درستنمایی افزایش مییابد) · ۳۰′ انواع کوواریانس و اثر آن · ۲۵′ طبقهبند مبتنی بر GMM شرطی بر کلاس · ۲۵′ BIC و انتخاب تعداد مؤلفه · ۱۵′ تمرین. تکلیف: PT5.
M13 — شنبه ۵ دی · HMM ۱¶
۱۵′ یادآوری زنجیره مارکوف و ماتریس انتقال · ۲۰′ تعریف HMM و سه مسئله · ۱۰′ چرا شمارش مستقیم مسیر است · ۳۵′ الگوریتم Forward با جدول عددی و مقیاسبندی · ۱۰′ انتشار پسرو و احتمال هموارشده. جزئیات در بخش ۸.
M14 — چهارشنبه ۹ دی · HMM ۲¶
۳۰′ Viterbi: شبکه trellis و محاسبه دستی · ۱۵′ Viterbi در برابر «محتملترین حالت در هر گام» · ۲۵′ آزمایش روی داده پروژه: آیا رمزگشایی خطای پنجرههای مستقل را کم میکند یا فقط هموارسازی است · ۱۵′ Baum–Welch: ایده، بدون استنتاج · ۳۵′ تمرین و رفع اشکال PT6.
M15 — شنبه ۱۲ دی · جمعبندی¶
۳۰′ پیوند سوگیری–واریانس، CV و نظریه یادگیری (بازگشت به سمینار ۱ و ۴) · ۱۵′ یادگیری تقویتی: مسئله، تفاوت با نظارتی، ارجاع به درس دیگر · ۲۵′ نقشه مباحث پیشرفته: نیمهنظارتی، فعال، برخط، ژرف، چندردهای · ۲۰′ راهنمای امتحان.
M16 — چهارشنبه ۱۶ دی · پروژه و مرور¶
۴۰′ پرسشوپاسخ پروژه و دفاع کوتاه · ۴۰′ مرور امتحان با حل تمرین · ۴۰′ ذخیره.
۴. سمینارها: چیدمان و قواعد¶
۶ موضوع، ۹ دانشجو، ۵ جلسه سمینار از ۸ شنبه موجود. هر جلسه: ۶۰ دقیقه ارائه (۲ × ۳۰) + ۳۰ دقیقه قاببندی و بحث.
| جلسه | تاریخ | موضوع | ارائه | پیشنیاز کلاسی |
|---|---|---|---|---|
| س۱ | شنبه ۳۰ آبان (۲۱ نوامبر) | سوگیری–واریانس | ۱ | ارزیابی مدل، رگرسیون (M3 همان روز) |
| س۲ | شنبه ۷ آذر (۲۸ نوامبر) | درخت تصمیم و هرس | ۲ | طبقهبندی (M5 همان روز) |
| س۳ | شنبه ۱۴ آذر (۵ دسامبر) | ترکیب مدلها | ۲ | سمینار درخت |
| س۴ | شنبه ۲۱ آذر (۱۲ دسامبر) | نظریه یادگیری و VC | ۲ | سمینار BV |
| س۵ | شنبه ۲۸ آذر (۱۹ دسامبر) | رتبهدهی + نیمهنظارتی | ۱ + ۱ | معیارها، EM (M11 همان روز) |
ساختار هر جلسه: ۲۰′ قاببندی برای BV و ۱۰′ برای بقیه + ۶۰′ ارائه (س۱: ۳۰′ ارائه + ۳۰′ بحث) + ۱۰ تا ۲۰′ پرسش و جمعبندی سطح امتحان. دو شنبه آزاد (۵ دی، ۱۲ دی) برای دموی پروژه است؛ ۲۳ آبان دیگر جلسهٔ آزاد ندارد و مستقیماً با M1 آغاز میشود.
پنج قاعده اجرایی
پیشخوانی: طرح موضوع یک هفته قبل در اختیار دانشجو قرار میگیرد؛ بقیه کلاس پیش از جلسه میخوانند و یک پرسش مینویسند.
قاببندی توسط شما، در آغاز همان جلسه: ۱۰ دقیقه (برای سوگیری–واریانس ۲۰ دقیقه). متن آماده هر شش موضوع در
seminar-framing-and-closing-fa.mdاست.جمعبندی ۵ دقیقهای توسط شما در پایان: سه نکته سطح امتحان + یک اشتباه رایج.
هر ارائه یک آزمایش عددی روی داده درس (Iris، digits، یا داده پروژه) داشته باشد؛ اسلاید بدون عدد پذیرفته نیست.
عمق در تحویل، نه در اسلاید. با ۳۰ دقیقه، ارائه یک تور هدایتشده است؛ استنتاجها و جدول اعداد در نوتبوک تحویلی میآید. دو ارائهدهنده یک موضوع باید ۶۰ دقیقه را یک واحد طراحی کنند.
سهم نمره: ۱۰–۱۵٪ از نمره درس، با همان روبریک فایل موضوعات؛ نمره هر ارائه مستقل ثبت میشود تا تقسیم کار دو نفره به ضرر یک نفر تمام نشود.
۵. پروژه و تمرینها¶
پروژه هفتمرحلهای HAR بههمراه یک مرحله مازاد (project/final-project.md) موتور تمرین درس است. سیاست
پشتیبانی: مقدمات کار در کلاس گفته شده و دانشجو موظف است آنچه نمیداند خودش مطالعه کند؛
کلاس جای آموزش ابزار نیست. برای همین، دو جلسه کلاس به «کارگاه پروژه» اختصاص داده نشده است.
ابزار خودارزیابی: project/project-clinic-pt1-pt2-fa.md + ساعت اداری. خط لوله پیش از انتشار
با یک اجرای مرجع کامل روی داده خام WISDM تست شده است؛ اعداد مرجع همانجا آمده تا دانشجو
انتظار واقعبینانه داشته باشد.
| مرحله | موضوع | انتشار | موعد |
|---|---|---|---|
| PT1 | EDA و خط مبنا | منتشر شده | چهارشنبه ۴ آذر (۲۵ نوامبر) |
| PT2 | ویژگیسازی و PCA | شنبه ۱۴ آذر (۵ دسامبر) | شنبه ۲۱ آذر (۱۲ دسامبر) |
| PT4 | رگرسیون لجستیک و مرز تصمیم | چهارشنبه ۱۸ آذر (۹ دسامبر) | شنبه ۲۸ آذر (۱۹ دسامبر) |
| PT3 | مدلهای گاوسی و بیزی | چهارشنبه ۲۵ آذر (۱۶ دسامبر) | چهارشنبه ۲ دی (۲۳ دسامبر) |
| PT5 | GMM و EM | چهارشنبه ۲ دی (۲۳ دسامبر) | شنبه ۱۲ دی (۲ ژانویه) |
| PT6 | مارکوف، Forward و Viterbi | شنبه ۵ دی (۲۶ دسامبر) | ۱۴ دی (۴ ژانویه) |
| PT7 | CNN یکبعدی | شنبه ۲۸ آذر (۱۹ دسامبر) | چهارشنبه ۹ دی (۳۰ دسامبر) |
| PT8 | موبایل (نمره مازاد) | شنبه ۵ دی (۲۶ دسامبر) | با گزارش نهایی، ۱۶ دی |
تمرینهای نظری کوتاه (مهلت ۲۴ ساعت مطابق سرفصل): M1 ← معیارهای خوشهبندی (۲۵ نوامبر) · M3 ← گرادیان دستی (۳۰ نوامبر) · M7 ← PCA/LDA (۱۲ دسامبر) · M10 ← مرز بیزی (۲۳ دسامبر) · M12 ← استنتاج EM (۳۰ دسامبر) · M13 ← جدول Forward (۲ ژانویه).
نکته: PT6 پیشتر «بدون کلاس» بود؛ حالا M13 و M14 پیش از موعدش برگزار میشوند. اگر HMM عقب افتاد، مهلت PT6 را جابهجا کنید، نه محتوا را.
سیاست زمانبندی: هر تکلیف پس از تدریس موضوعش منتشر میشود و ۷ تا ۱۱ روز بعد موعد دارد، تا تحویلها روی تقویم پخش شوند و همه در هفته آخر تلنبار نشوند.
درباره PT7 (CNN): کلیات یادگیری عمیق در جلسات رگرسیون گفته میشود و انتظار نمیرود دانشجو شبکه را از صفر طراحی کند؛ معماری در متن تکلیف داده شده و استفاده از کتابخانههای آماده مجاز و مورد انتظار است. به همین دلیل PT7 میتواند پیش از PT6 منتشر شود.
۶. پوشش سرفصل¶
| # | بند سرفصل | جایگاه | وضعیت |
|---|---|---|---|
| ۱ | مفهوم یادگیری، انواع، بیشبرازش، انواع مسائل | گذشته + س۱ | کامل |
| ۲ | درخت تصمیم و هرس | س۲ | سمیناری |
| ۳ | MLP و کاهش گرادیان | M3، M4، M5 | کامل |
| ۴ | ماشین بردار پشتیبان | — | خارج (طبق نظر شما) |
| ۵ | روشهای مبتنی بر هسته | M8 | کامل (اثباتها به خواندن) |
| ۶ | ارزیابی فرضیه | گذشته + س۱ | کامل |
| ۷ | یادگیری بیزی و ردهبندهای آماری | M9، M10 | کامل |
| ۸ | EM و k-means | M1، M2، M11، M12 | کامل |
| ۹ | رگرسیون | گذشته + M3 | کامل |
| ۱۰ | مدلهای محلی | گذشته | کامل |
| ۱۱ | یادگیری رتبهدهی | س۵ | سمیناری |
| ۱۲ | معیارهای سنجش چهارگانه | گذشته + M2 + س۵ | کامل |
| ۱۳ | ترکیب مدلها | س۳ | سمیناری |
| ۱۴ | نظریه یادگیری محاسباتی | س۴ | سمیناری |
| ۱۵ | یادگیری تقویتی | M15 (۱۵ دقیقه) | اشاره |
| ۱۶ | مباحث تکمیلی (فروکاهی، نیمهنظارتی، فعال، برخط، ژرف، چندردهای) | M6/M7، س۵، M5، M4، M15 | پنج مورد از شش لمس میشود |
جمعبندی عددی. ۱۶ بند؛ یکی خارج (SVM) ← ۱۵ بند در دامنه. ۹ بند کامل توسط شما + ۴ بند سمیناری = ۱۳ از ۱۵ (۸۷٪)؛ با بند ۱۶ ≈ ۹۰٪. تنها صفرِ واقعی، یادگیری تقویتی است. سهم تدریس شخصی شما ۹ از ۱۵ (۶۰٪) است؛ تفاوت این دو عدد، همان چیزی است که با سپردن پنج موضوع به دانشجو خریدید.
۷. HMM: دو جلسه تا Viterbi¶
M13 (۹۰′). ۱۵′ مارکوف و ماتریس انتقال با داده ترتیبی پروژه · ۲۰′ تعریف HMM: حالت پنهان، احتمال انتشار، ، سه مسئله · ۱۰′ چرا شمارش مستقیم است · ۳۵′ Forward با جدول عددی، مقیاسبندی و زیرگردی · ۱۰′ انتشار پسرو.
M14 (۱۲۰′). ۳۰′ Viterbi: بازگشت برنامهریزی پویا، trellis، محاسبه دستی · ۱۵′ Viterbi در برابر «محتملترین حالت در هر گام» · ۲۵′ آزمایش روی داده پروژه و تفسیر آن · ۱۵′ Baum–Welch: مسئله سوم و ایده EM، بدون استنتاج · ۳۵′ تمرین و رفع اشکال.
چه چیزی حذف میشود: استنتاج کامل Baum–Welch، جزئیات و ، CRF، اثبات همگرایی EM برای HMM، مقایسه با MEMM.
۸. فهرست حذف اضطراری (به ترتیب)¶
۱. اثبات SVD و همارزی واریانس/بازسازی در M7 ← خواندن + تمرین. ۲. بخش ماهالانوبیس M10 ← ۱۵ دقیقه با ارجاع به نوشتار. ۳. استنتاج کامل گام M در M11 ← نتیجه + تفسیر، استنتاج به تمرین. ۴. M16 ← ۶۰ دقیقه (پرسش پروژه + مرور)، ۶۰ دقیقه ذخیره. ۵. بخش «بُعد بالا» M7 ← خواندن هدایتشده.
هرگز حذف نشود: M2 (اعتبارسنجی خوشهبندی)، M3 (گرادیان)، M4 (پسانتشار)، M8 (کرنل)، M9/M10 (بیزی)، M11/M12 (EM)، M13 (HMM حداقلی).
ریسکها
تعطیلی یک هفته: ۲۱۰ دقیقه ذخیره و فهرست بالا پاسخ میدهند؛ اگر دو هفته شد، M7 و M12 را ادغام کنید و «بُعد بالا» و SVD را به خواندن ببرید.
کیفیت سمینار: ۵ دقیقه جمعبندی جای خالی را پر نمیکند. ابزار: روبریک، الزام آزمایش عددی، و امکان پسگرفتن ۱۵ دقیقه از سمینار ضعیف در همان جلسه.
۳۰ دقیقه برای موضوعی مثل VC کم است: عمق در تحویل است؛ اگر لازم شد، ۱۰ دقیقه از بحث پایانی سمینار بعدی به آن موضوع قرض داده میشود.
عقبافتادگی HMM: PT6/PT7 به آن گره خوردهاند؛ اول مهلت را جابهجا کنید.
این سند برنامه درسی است و در گروه «Course Plan Fall 2026 & Project» در myst.yml قرار دارد.