CS ۲۲۹ ― یادگیری ماشین
به همراه برادر دوقلویم
افشین، راهنمای کوتاهی برای کلاس CS 229، که
من در پاییز ۲۰۱۸ در استنفورد TA آن بودم، فراهم کرده‌ایم که امیدوارم برای کسانی که به یادگیری ماشین علاقه‌مند هستند، مفید واقع شود.
راهنمای کوتاه
- • تابع خطا، گرادیان کاهشی، درست‌نمایی
- • مدل‌های خطی، ماشین‌های بردار پشتیبان، یادگیری مولِد
- • روش‌های مبتنی بر درخت و گروه، k-NN، نظریه یادگیری
- • بیشینه‌سازی امید ریاضی، k-میانگین، خوشه‌بندی سلسله‌مراتبی
- • معیارهای ارزیابی خوشه‌بندی
- • تحلیل مولفه‌های اصلی، تحلیل مولفه‌های مستقل
- • معماری، تابع فعال‌سازی، انتشار معکوس، برون‌اندازی
- • لایه کانولوشنی، نرمال‌سازی دسته‌ای، انواع دروازه‌ها
- • فرایندهای تصمیم‌گیری مارکوف، معادله‌ی بلمن، یادگیری Q
- • ماتریس درهم‌ریختگی، صحت، دقت، فراخوانی، F1 score، ROC
- • R squared, Mallow's CP, AIC, BIC
- • اعتبارسنج متقاطع، نظام‌بخشی، تعادل پیش‌قدرواریانس، تحلیل خطا
یادآوری
- • اصول موضوعه‌ی احتمالات، جایگشت، قضیه‌ی بیز، استقلال، احتمال شرطی
- • متغیرهای تصادفی، امید ریاضی، واریانس
- • قضیه‌ی حد مرکزی، تخمین پارامتر
- • ماتریس‌های اصلی، ضرب، ترانهاده، معکوس، اثر، دترمینان
- • مقدار ویژه، بردار ویژه، نرم، گرادیان، هسیان
- • ماتریس مثبت نیمه‌معین، قضیه‌ی طیفی، تجزیه‌ی مقدار منفرد