ریاضیات برای یادگیری ماشین و LLMs
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ریاضیات یادگیری ماشین
- جبر خطی، آمار، احتمال و حساب دیفرانسیل برای یادگیری ماشین
- الگوریتمها چگونه کار میکنند؟
- الگوریتمها چگونه پارامتری میشوند؟
پیشنیازهای دوره
- مفاهیم اولیه یادگیری ماشین
توضیحات دوره
یادگیری ماشین یکی از داغترین فناوریهای زمان ما است! اگر شما در زمینه یادگیری ماشین تازهکار هستید و میخواهید به یک دانشمند داده تبدیل شوید، باید با ریاضیات پشت الگوریتمهای یادگیری ماشین آشنا شوید. هیچ راهی برای دوری از آن وجود ندارد. این بخش ذاتی نقش یک دانشمند داده است و هر استخدامکننده یا حرفهای باتجربه به این موضوع تأکید خواهد کرد. علاقهمندان به یادگیری بیشتر درباره جادوئی که پشت الگوریتمهای یادگیری ماشین نهفته است، با یک مجموعه دشوار از پیشنیازها مواجه هستند: برنامهنویسی، تحلیل داده در مقیاس بزرگ، ساختارهای ریاضی مرتبط با مدلها و دانش مربوط به خود اپلیکیشن
یکی از شکایات متداول دانشجویان ریاضی در سراسر جهان این است که موضوعات تحت پوشش به نظر میرسد که ارتباط کمی با مشکلات عملی دارند. اما این مسئله درباره یادگیری ماشین صدق نمیکند.
این دوره به گونهای طراحی نشده که شما را به یک ریاضیدان تبدیل کند، بلکه رویکردی عملی برای کار با داده ارائه میدهد و بر مفاهیم کلیدی ریاضی که در مطالعات یادگیری ماشین با آنها مواجه خواهید شد، تمرکز دارد. این دوره برای پر کردن شکاف دانش برای دانشجویانی که این مفاهیم کلیدی را در تحصیلات رسمی خود از دست دادهاند، یا کسانی که پس از یک وقفه طولانی در یادگیری ریاضی نیاز به بازگشت دارند، طراحی شده است.
با اتمام دوره، دانشجویان قادر خواهند بود مفاهیم ریاضی را درک کرده و از آنها برای تحلیل و توسعه مدلهای یادگیری ماشین، از جمله مدلهای زبانی بزرگ استفاده کنند.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده و حرفهایهای هوش مصنوعی
ریاضیات برای یادگیری ماشین و LLMs
-
مقدمه 01:28
-
نقشه یادگیری 04:56
-
پایتون 03:13
-
یادگیری نظارت شده 04:06
-
یادگیری نظارت نشده 04:37
-
یادگیری تقویتی 08:01
-
چه زمانی از یادگیری ماشین استفاده کرده و چه زمانی از آن استفاده نکنیم؟ 03:37
-
چگونه الگوریتمهای یادگیری ماشین را انتخاب کنیم؟ 12:13
-
تحلیل مقدماتی 07:21
-
متغیر هدف 06:13
-
داده گمشده 06:41
-
تبدیل لگاریتمی - همواریانسی 06:41
-
داده پرت و تشخیص ناهنجاریها 08:00
-
تبدیل داده 05:26
-
تبدیل داده - ادامه 06:51
-
تفاوتهای معنادار 09:20
-
آمار توصیفی و آمار استنباطی 06:14
-
متغیرها و متریکها 11:04
-
همبستگی و کوواریانس 04:47
-
عدم قطعیت 06:30
-
احتمالات فرکانسی در مقابل بیزی 04:16
-
متغیرهای تصادفی و نمونهبرداری 05:06
-
فضاهای نمونهبرداری 06:36
-
تعریفهای اولیه احتمالات 04:44
-
Axions، تئوریها، استقلال 06:28
-
احتمال شرطی 03:11
-
قضیه بیز و الگوریتم بیز ساده 07:00
-
انتظار، شانس و احتمال 04:20
-
برآورد درستنمایی بیشینه (MLE) 10:43
-
شبیهسازیها 07:07
-
شبیهسازی مونته کارلو و زنجیره مارکوف 07:46
-
توزیعهای احتمالی 04:35
-
خانوادههای توزیعها 06:01
-
توزیع نرمال 06:55
-
آزمون نرمال بودن داده 06:55
-
توزیع نمایی 04:53
-
توزیع ویبل و تحلیل بقا 07:10
-
توزیع دوجملهای 07:35
-
توزیع پواسون 06:15
-
آزمون فرضیه 07:39
-
مقدار p 04:32
-
مقدار بحرانی، معناداری، فاصله اطمینان، CLT و LLN 06:56
-
آزمونهای Z و تی تستها 10:06
-
درجه آزادی و آمار F 05:33
-
تحلیل واریانس (ANOVA) 07:45
-
آزمون مربع کای 05:22
-
قدرت آماری 05:07
-
قوت و کفایت آماری 04:59
-
تجزیه سریهای زمانی 08:24
-
مدلهای خودرگرسیو 04:40
-
Arima 05:49
-
مدلهای خطی و غیرخطی 09:00
-
مقدمهای بر جبر خطی 05:31
-
انواع ماتریسها 08:13
-
عملیاتهای ماتریس 10:16
-
تبدیلات خطی 12:07
-
تجزیه ماتریس و تانسورها 07:21
-
توابع 05:55
-
حدها 04:22
-
مشتق 06:46
-
محاسبه مشتق 06:28
-
مینیمم و ماکزیمم 12:38
-
راهحلهای تحلیلی در مقابل عددی 02:57
-
راهحل عددی و تحلیلی 05:05
-
گرادیان کاهشی 09:14
-
اندازهگیری فاصلهها 06:28
-
شباهتها 04:38
-
knn و میانگین k 09:40
-
فاصلهها در پایتون 04:28
-
آموزش، تست و اعتبارسنجی 07:00
-
آموزش، تست و اعتبارسنجی - ادامه 03:53
-
تابع هزینه 04:59
-
تابع هزینه برای رگرسیون و طبقهبندی 06:40
-
کاهش تابع هزینه با گرادیان کاهشی 07:31
-
گرادیان کاهشی دستهای و تصادفی 09:11
-
مقدمهای بر سوگیری و واریانس 06:59
-
پیچیدگی 09:10
-
منظمسازی 05:59
-
منظمسازی - ادامه 06:34
-
الگوریتمهای پارامتریک و غیرپارامتریک 05:43
-
منحنیهای یادگیری 07:05
-
منحنیهای یادگیری در پایتون 05:55
-
PCA و SCD 09:12
-
ویژگیها و مقادیر ویژه 11:38
-
کاهش ابعاد در پایتون 08:51
-
انتروپی و کسب اطلاعات 06:06
-
انتروپی و کسب اطلاعات - ادامه 04:14
-
رگرسیون خطی 06:56
-
رگرسیون خطی - ادامه 05:39
-
رگرسیون چندجملهای 10:46
-
تابع لجستیک 06:51
-
مدلهای خطی عمومی (GLM) 10:46
-
مرزهای تصمیمگیری 09:36
-
ماتریس درهمریختگی 13:06
-
نمودار ROC و AUC 07:16
-
مصورسازی توزیع کلاس 04:32
-
دقت و یادآوری 10:22
-
مقدمهای بر درختان تصمیمگیری 05:34
-
شاخص جینی 05:40
-
هایپرپارامترها 06:54
-
درختان تصمیمگیری در پایتون 02:27
-
مقدمهای بر SVMs 04:25
-
مقدمهای بر SVMs - ادامه 08:42
-
ریاضیات SVMs 08:10
-
SVM در پایتون 03:24
-
خرد جمعی 05:07
-
Bagging و جنگل تصادفی 04:55
-
Adaboost، گرادیان بوستینگ، XGBoosting 13:15
-
مقدمهای بر NLP 08:18
-
توکنسازی و تعبیهها 07:27
-
وزنها و بازنمایی 09:14
-
دنبالهها و تحلیل احساسات 08:02
-
مدل ریاضی نورون مصنوعی 07:07
-
توابع فعالسازی 04:51
-
توابع فعالسازی - ادامه 09:33
-
پارامترهای وزن و سوگیری 06:28
-
مفاهیم پسانتشار و پیشخور 05:33
-
فرآیند پیشخور 04:50
-
فرآیند پسانتشار 07:13
-
شبکههای عصبی بازگشتی (RNN) 09:58
-
شبکههای عصبی کانولوشن (CNN) 06:35
-
شبکههای عصبی کانولوشن (CNN) - ادامه 05:03
-
Seq2Seq و کاربردهای شبکههای عصبی 06:27
-
Generative AI در مقابل هوش مصنوعی توصیفی 08:57
-
ویژگیهای LLMs 06:15
-
مقدمهای بر ترنسفرمرها 11:49
-
آموزش و استنتاج 07:53
-
معماری اولیه ترنسفرمرها 04:42
-
گردشکار رمزگذار 04:39
-
توجه خودی 11:18
-
توجه Multi-Head 05:50
-
نرمالسازی و اتصالات باقیمانده 08:46
-
رمزگشا 06:44
-
انواع معماری ترنسفرمرها 11:21
مشخصات آموزش
ریاضیات برای یادگیری ماشین و LLMs
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:متوسط
- تعداد درس:134
- مدت زمان :15:28:50
- حجم :2.8GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy