×

آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)

آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)

تعداد دانشجو
۴۴ نفر
مدت زمان
۲۱ دقیقه
هزینه آموزش
رایگان!
محتوای این آموزش
۱ بازخورد (مشاهده نظرات)
آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است. ما در این آموزش قصد داریم تا مبحث مرور روش های کلاسیک در یادگیری ماشین (ت) را مورد بحث و بررسی قرار دهیم.

آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)

مدت زمان
۲۱ دقیقه
هزینه آموزش
رایگان!
۱ بازخورد (مشاهده نظرات)
مدرس
دکتر امیر حسین کیهانی پور

دکتری تخصصی مهندسی کامپیوتر - هوش مصنوعی

دکتر امیر حسین کیهانی پور فارغ التحصیل دکترای تخصصی در رشته مهندسی کامپیوتر گرایش هوش مصنوعی از دانشگاه تهران و نیز مدرس دانشگاه تهران و دانشگاه صنعتی شریف هستند.

توضیحات تکمیلی

با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرآیندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها، از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع، می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمندسازی فرآیندها در کاربردهای مختلف، بکار گرفت.

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است.

ما در این آموزش قصد داریم تا مبحث مرور روش های کلاسیک در یادگیری ماشین (ت) را مورد بحث و بررسی قرار دهیم.

این آموزش رایگان بخشی از آموزش یادگیری ماشین است. برای کسب اطلاعات بیشتر و استفاده از این آموزش بر روی این لینک (+) کلیک کنید.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • مرور روش های کلاسیک در یادگیری ماشین
    • یادگیری مبتنی بر قواعد (Rule-based Learning)

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل PDF یادداشت‌ های ارائه مدرس




مرور روش های کلاسیک در یادگیری ماشین (ت)
جهت شروع مطالعه و یادگیری نیاز است بعد از ورود (+) و یا عضویت (+) بر روی دکمه «شروع یادگیری» کلیک کنید.

اطلاعات تکمیلی

نام آموزش آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)
ناشر فرادرس
کد آموزش FVML9505E
مدت زمان ۲۱ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۱۴ بایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)






نظرات

فروغ
فروغ

آموزش خوبی هست اما طبق مطالعاتی که من انجام داده ام روش CN2 یک روش پوشش ترتیبی هست ایشون یک جایی در فیلم می گن وقتی از k کاندید استفاده می کنیم یک روش پوشش همزمان محسوب می شه.
من که اینطور برداشت کردم
سپاس از فرادرس و اساتید محترمش

پاسخ به نظر

برچسب‌ها:
Action | Agent | Artificial Neural Networks | Classification | Clustering | Decision Tree | Dynamic Programming | E | Eligibility Traces | environment | Genetic Algorithms | Instance-based Learning | Markov Decision Process | Monte Carlo | ploitation | ploration | Policy | Policy Evaluation | Policy Improvement | Probabilistic Learning | Q-Learning | Reinforcement Learning | Rule-based Learning | SARSA | supervised learning | Temporal-Difference Learning | Unsupervised Learning | ارزیابی سیاست | الگوریتم C4.5 | الگوریتم ID3 | الگوریتم ژنتیک | انتخاب کنش | برنامه ریزی پویا | حسابگری زیستی | خوشه بندی | درخت تصمیم | رده بندی | روش Off-policy | روش On-policy | روش Q-Learning | روش Reinforcement Comparison | روش SARSA | روش Softma | روش ε-Greedy | روش های کلاسیک در یادگیری ماشین | روشهای یادگیری مونت کارلو | شبکه عصبی | عامل یادگیرنده | فرآیند تصمیم مارکوف | فرایند تصمیم مارکوف | مارکوف | معادلات Bellman | هوش مصنوعی | یادگیری Monte Carlo | یادگیری بدون نظارت | یادگیری تحت نظارت | یادگیری تفاوت زمانی | یادگیری تقویتی | یادگیری مبتنی بر تفاضل مقطعی | یادگیری مبتنی بر قواعد | یادگیری مبتنی بر نظریه احتمالات | یادگیری مبتنی بر نمونه ها | یادگیری مبتنی بر نمونه‌ها
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۱ جلسه ویدئویی