جمعبندی درس و پلی به یادگیری ماشین آماری
English · فارسی
جمعبندی درس و پلی به یادگیری ماشین آماری¶
یک نقشه از درس¶
ماتریسها و تصویرها — داده بهعنوان شیء خطی
kNN و k-means — دستهبندی و خوشهبندی بهعنوان نخستین الگوریتمها
نفرین ابعاد — چرا ابعاد بالا همهچیز را عوض میکند
SVD / PCA / رتبه پایین — یافتن ساختار در ماتریس
گرافهای تصادفی — ساختار دادهٔ شبکهای
مبانی یادگیری — تعمیم، رگرسیون خطی و SGD، پرسپترون، شبکه با یک لایهٔ پنهان، و ترفند کرنل: مدلهای خطی، دو بار بسطدادهشده، بدون SVM و بیز
واگذارشده به درسهای دیگر¶
| موضوع | کجا |
|---|---|
| نظریهٔ تصمیم بیزی، Naive Bayes | یادگیری ماشین آماری |
| مخلوطهای گاوسی و عمق EM | یادگیری ماشین آماری |
| MCMC، متروپلیس–هستینگز، گیبس | یادگیری ماشین آماری (در اینجا فقط یک طرح ۲۵ دقیقهای) |
| HMM، مدلهای گرافی، انتشار باور | یادگیری ماشین آماری |
| SVM، حاشیهٔ بیشینه، جداکنندههای غیرخطی | درس جداگانهٔ یادگیری ماشین |
| ماتریس انتقال مارکف و نظریهٔ آن | درس جداگانه |
چکلیست پایانی¶
ارائههای دانشجویی (رتبهبندی / رأیگیری / جهان کوچک / خوشهبندی طیفی)
مرور نمایشهای کلیدی (نفرین ابعاد، فشردهسازی SVD، گذار فازی اردوش–رنی)
چگونه پس از این درس BHK بخوانیم