پوستر پایتون
دوره آموزش پایتون و پیاده‌سازی جویشگر متنی
مهر ۲۲, ۱۳۹۶
هوش مصنوعی رویکرد نوین
اسلایدها و ویدیوهای درس هوش مصنوعی
مهر ۲۳, ۱۳۹۶

یادگیری ماشین یکی از مهم‌ترین دروس رشته هوش مصنوعی در دوره کارشناسی ارشد و پایه بسیاری از دروس دیگر مانند بازشناسی الگو، پردازش تصویر، بینایی ماشین، پردازش زبان طبیعی و پردازش گفتار است. شما در درس یادگیری ماشین با مفاهیم پایه و برخی از مهم‌ترین روش‌ها و الگوریتم‌های یادگیری ماشین آشنا می‌شوید. برخی از روش‌هایی که در این درس به آنها خواهیم پرداخت عبارتند از: رگرسیون، رگرسیون لجستیک، شبکه‌های عصبی، ماشین‌های بردار پشتیبان، خوشه‌بندی، کاهش ابعاد و تحلیل مؤلفه‌های اصلی، سامانه‌های توصیه‌گر و تشخیص آنومالی.

 اسلایدهای یادگیری ماشین

یادگیری نظارت شده
  • رگرسیون: (دانلود)
  • خودآموز متلب: (دانلود)
  • دسته‌بندی و رگرسیون لجستیک: (دانلود)
    • رگرسیون لجستیک
    • رگرسیون لجستیک چندکلاسی
    • روش‌های بهینه‌سازی پیشرفته در متلب
  • رگولاریزاسیون یا تنطیم: (دانلود)
  • شبکه‌های عصبی: (دانلود)
  • آموزش شبکه‌های عصبی: (ادانلود)
  • اشکال‌زدایی سیستم‌های یادگیری ماشین: (دانلود)
  • طراحی یک سیستم یادگیری ماشین: (دانلود)
  • ماشین‌های بردار پشتیبان: (دانلود)
یادگیری بدون نظارت

مشاهده ویدیوها

پروژه‌های پیاده‌سازی در متلب

  • پروژه ۱. پیاده‌سازی رگرسیون خطی تک متغیره و چند متغیره، الگوریتم گرادیان کاهشی، نرمال‌سازی ویژگی‌ها و معادلات نرمال در متلب (اکتاو)

[pdfviewer]http://www.snrazavi.ir/wp-content/uploads/2017/10/ex1.pdf[/pdfviewer]

 

  • پروژه ۲. پیاده‌سازی الگوریتم کلاس‌بندی رگرسیون لجستیک و تنظیم برای برخورد با بیش‌برازش

[pdfviewer]http://www.snrazavi.ir/wp-content/uploads/2017/10/ex2.pdf[/pdfviewer]

  • پروژه ۳. پیاده‌سازی الگوریتم رگرسیون لجستیک چند کلاسی و شبکه‌های عصبی

[pdfviewer]http://www.snrazavi.ir/wp-content/uploads/2017/10/ex3.pdf[/pdfviewer]

پیش‌نیازها

مراجع و منابع

  • «یادگیری ماشین: یک دیدگاه احتمالاتی»؛ کوین مورفی، ۲۰۱۲

یادگیری ماشین کتاب کوین مورفی

  • «آشنایی با یادگیری ماشین»؛ ادهم آلپایدین، ویراست سوم، ۲۰۱۴

یادگیری ماشین کتاب الپایدین

  • «بازشناسی الگو و یادگیری ماشین»؛ کریستوفر بیشاپ، ۲۰۰۶

یادگیری ماشین کتاب بیشاپ

ویدیوهای مرتبط

37 ديدگاه

  1. سعید گفت:

    بسم تعالی !
    خوشحالم که به عنوان اولین دیدگاه در بخش “یادگیری ماشین” واقعا ازتون تشکر کنم استاد سید ناصر رضوی !
    بنده با این که دانشجو شما نبودم ولی واقعا از مطالب تون لذت بردم ، مخصوصا که همین بخش یادگیری ماشین که انصافا هیچ آموزش مفیدی به زبان فارسی و ۱۰۰ % رایگان تا به امروز ندیده بودم که خوش بختانه یک عزیزی آدرس کانال یوتیوب شما رو داد و آموزش هاتون رو دیدم و همشون رو دانلود کردم و با اشتیاق نگاه کردم ! واقعا خوب تدریس کردید مخصوصا بخش یادگیری ماشین ، قسمت اول که تازه الان دیدمش !
    امیدوارم همین طوری تا آخر پیش برید ، واقعا ممنونم ازتون.

  2. دانشجوی ارشد گفت:

    با سلام
    استاد میتونیم آدرس وب سایتتونو به دانشجوهای سایر دانشگاه معرفی کنیم تا از مطالبش استفاده کنن؟
    با تشکر از زحماتتون

    • سید ناصر رضوی گفت:

      با درود
      اگر منظورتون همین سایت شخصی بنده است، بله قطعا. اصلا هدف همینه. بسیار سپاسگزار خواهم بود اگر زحمت این کار رو بکشید.
      اما پیازا تنها برای استفاده دانشجویان همون درس و دوره است.

  3. پشت کنکوری گفت:

    با سلام و عرض احترام خدمت استاد محترم جناب آقای دکتر رضوی
    من ویدئوهای رگرسیون لجستیک و رگرسیون لجستیک چندکلاسی رو دیدم واقعا عالی بودند و خیلی خوشحالم که این ویدئوها زمانی دردسترس قرار گرفتند که در آستانه کنکور هستم و مسلما کمک زیادی به من خواهند کرد.
    امیدوارم ویدئوهای قسمتهای بعدی هم دردسترس قرار بگیرند تا کسانی که نیاز دارند به راحتی بتوانند استفاده کنند و واقعا جای تشکر فراوان دارد که این سایت رو راه اندازی کردید و اسلایدها و ویدئوها رو در دسترس عموم قرار دادید.
    با تشکر از زحمات شما

  4. anis گفت:

    با سلام یک دنیا ممنون بابت این آموزش ها،به شخصه برای من خیلی مفید بودن و خیلیییییییییی کاربردی بودن.
    می خواستم ببینم برای سیستم های توصیه گر هم آموزش ویدیویی وجود داره ممنون میشم اگر داره اونم در اختیارمون بزارید
    بازم ممنون

  5. افسان گفت:

    خیلی ممنون بابت آموزشهایی که میزارید. خیلی عالی تدریس میکنید.

  6. […] آشنایی با روش‌های یادگیری ماشینی. (اسلایدهای درس یادگیری ماشین و کارگاه یادگیری ماشین) […]

  7. […] یادگیری ماشین؛ سید ناصر رضوی؛ دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز (پاییز ۱۳۹۶) […]

  8. […] یادگیری ماشین؛ سید ناصر رضوی؛ دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز (پاییز ۱۳۹۶) […]

  9. آیسان گفت:

    واییییی خیلی خوبه این اموزش ها ممنونم

  10. آیسان گفت:

    استاد توی اسلاید های سیستم‌های توصیه گر‌جواب این سوال توی اسلاید ها نیست! که k رو چه مقداری باید بگیریم، ممنون میشم به این سوالم‌پاسخ بدید

    • سید ناصر رضوی گفت:

      با درود.
      منظورتون از k دقیقا چیست؟ لطفا شماره اسلاید مورد نظر را بفرمایید.

      • آیسان گفت:

        اسلاید شماره ۱۰، منظورم تعداد همسایه های نزدیک هست ! سوال خود اسلاید هم هست!
        بهترین k ،یا تعداد همسایه های نزدیک ک‌میتونیم بگیریم چند هست؟!

        • سید ناصر رضوی گفت:

          در پایین اسلاید ۱۸ به یک مقاله ارجاع داده‌ام (هرلاکر، ۲۰۰۲) که مقدار مناسب را بین ۲۰ تا ۵۰ توصیه کرده است.
          اما اینها فقط پیشنهاد هستند و تعداد همسایه‌ها می‌تونه کمتر یا بیشتر از مقادیر هم بشه. بهترین راه برای تعیین دقیق مقدار این گونه «ابرپارامترها» همیشه استفاده از cross-validation است.

          • آیسان گفت:

            از اینکه پاسخ دادین سپاسگذارم، سوال دیگه هم‌که داشتم این هست که برای چه تعداد کاربر الگوریتم نزدیک ترین همسایه ها اعمال می‌شود ؟ یعنی اینکه من در مقیاس خیلی بزرگی کاربر دارم ،همه این کاربران باهم به الگوریتم knn داده میشن؟؟ و یا اینکه دسته دسته می شوند و الگوریتم روی اون ها اعمال میشه؟؟ و اینکه اگر برای مثال دسته دسته شدند، و روی یک یا دو دسته اعمال کردیم، حالا اگر ۵۰ تا از نزدیکترین ها پیدا شدند دیگه عملیات روی دسته های دیگر رو‌متوقف می کنیم؟؟

          • سید ناصر رضوی گفت:

            من مقیاس کاربران شما رو نمیدونم ولی اگر تعداد کاربرهاتون خیلی زیاده، پیشنهاد می‌کنم روش‌های مبتنی بر مدل را آزمایش کنید. یعنی برای هر کاربر و هر کالا یک مجموعه از وزن‌ها محاسبه میشه و این باعث میشه پیشنهاد دادن خیلی سریعتر انجام بشه. الیته تو این روش هر چند وقت یک بار باید دوباره وزن‌ها آموزش داده شوند و این فاصله زمانی بین آموزش مجدد بستگی به پویایی سیستم شما داره. هرچه سیستم شما پویاتر باشه (مدام کاربران و کالاهای جدید اضافه بشه و مدام به کالاها امتیاز داده بشه)، به روزرسانی باید زودتر انجام بشه و این آموزش مجدد می‌تونه خیلی زمانبر باشه، اما در پشت صحنه اجرا میشه. الگوریتم نزدیک‌ترین همسایه در مقیاس بزرگ عملکرد بسیار کندی در زمان اجرا داره.

  11. فرزانه نژاد گفت:

    با سلام و خسته نباشید. بسیار ممنونم استاد بابت این ویدئو های عالی چون ما میتونیم برای آمادگی درکلاس و یا مرور مطالب به راحتی به این ویدئو ها بارها و بارها رجوع کنیم و مشکلاتمون رو برطرف کنیم . از زمانی که درجهت آموزش ما حتی درزمانی که در کلاس نیستیم صرف میکنید بسیار ممنونم با اجازتون من هم به چند نفر از دوستانم پیشنهاد کردم استفاده از سایت و فیلم های مفیدتون رو.

  12. Farzin گفت:

    با سلام، و تشکرفراوان،استاد من درس های مربوط به رگرسیون را دیدم، سوالی که برام پیش اومده این هست که چرا به جای لاجستیک ( که تو این روش مجبوریم از رگرسون خطی استفاده کنیم بعدش بیایم سیگموید بگیریم )از یک‌ کلاس بندی سنتی یا روش هایی مثل درخت تصمیم و svm استفاده نکنیم؟؟ چه مزیتی داره این روش؟؟ چه نیازی بوده که این بحث مطرح شده؟؟

    • سید ناصر رضوی گفت:

      با درود و سپاس. رگرسیون لجستیک خودش به تنهایی روش قدرتمندی هست و در صورت استفاده از ویژگی‌های مرتبه بالاتر می‌تونه دسته‌بندی غیر خطی هم انجام بده. اما دلیل اصلی مطرح شدنش اینه که می‌تونیم تعدادی رگرسیون لجستیک رو به هم وصل کنیم و شبکه‌های عصبی ایجاد کنیم که قدرتمندترین روش‌ها برای حل بسیاری از مسائل دسته‌بندی به ویژه مسائل پیچیده مثل بینایی ماشین و پردازش زبان طبیعی به شمار می‌روند.

      • Farzin گفت:

        درود بر شما،منظور از وصل کردن چیست؟

        • سید ناصر رضوی گفت:

          یعنی این که خروجی یک یا چند واحد رگرسیون لجستیک به عنوان ورودی به تعدادی رگرسیون لجستیک دیگه داده بشه که خود اونها دوباره ممکنه خروجیشون به عنوان ورودی به تعدادی رگرسیون لجستیک دیگه داده بشه و همین طور الی آخر؛ یعنی دقیقا شبکه‌ای از دسته‌بندهای رگرسیون لجستیک یا همون شبکه‌های عصبی.

  13. zaman گفت:

    با سلام خدمت استاد
    در SVM چگونه می توان بوسیله متلب accuracy را مشخص کرد ایا تدریسی یا درسی در این مورد وجود دارد.
    با تشکر

    • سید ناصر رضوی گفت:

      با درود. دقیقا متوجه پرسش شما نشدم. معیار دقت مستقل از الگوریتم دسته‌بندی هست.

  14. آسمان گفت:

    با سلام و سپاس
    استاد می خواستم ببتیم تابع پیرسون چه بر تری نسیبت به بقیه توابع دارد که از ان در الگوریتم knn استفاده شده؟

  15. آسمان گفت:

    البته به این اشاره کردین که مزیتش در نظر گرفتن تنفاوت ها در عادات امتیاز دهی است و لی متوجه منظور نشدم

    • سید ناصر رضوی گفت:

      منظور این هست که بعضی‌ها به طور متوسط نمره‌های بهتری می‌دن (یعنی خوش نمره هستن) و بعضی‌ها به طور متوسط نمره‌های کتری میدن (بدنمره هستن) ولی صرف‌نظر از این موضوع سلیقه‌های یکسانی دارند. معیار پیرسون این موارد رو در نظر می‌گیره.

  16. حامد تمدن گفت:

    استاد عزیز جناب اقای دکتر رضوی
    با سلام و عرض ادب
    با تشکر از زحمات حضرتعالی برای انتشار این مجموعه گرانبها
    سوالی از حضورتان داشتم که آیا فیلم مباحث درخت تصمیم و جنگل تصادفی را نیز بیان خواهید کرد ؟

    • سید ناصر رضوی گفت:

      با درود و سپاس.
      متاسفانه این دوره خیر. اما به تدریج مطالب مربوط به اسلایدها را به صورت ویدیو ضبط و منتشر خواهم نمود. بسیار خوشحال می‌شم اولویت‌های شما دوستان گرامی خودم رو هم بدونم.