یادگیری ماشین

Machine Learning

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: آمار و احتمال مهندسی، جبر خطی هم‌نیاز: –

هدف کلی

در این درس مفاهیم یادگیری ماشین مطرح شده و آشنایی با شاخه‌های مختلف این زمینه صورت گرفته و جنبه‌های مهم عملی و نظری آن معرفی خواهد شد. در شاخه‌های مختلف، تکنیک‌ها و الگوریتم‌های مهم بحث می‌شود. در حوزه یادگیری با نظارت، رگرسیون و دسته‌بندی مورد بررسی قرار خواهند گرفت و روش‌های حل این مسائل و ارزیابی مدل‌ها معرفی خواهد شد. برای دسته بندی، انواع دیدگاه‌ها و الگوریتم‌های مربوطه مطرح می‌شود. در بخش یادگیری بدون نظارت، در مورد تخمین چگالی، کاهش ابعاد بدون نظارت و خوشه‌بندی صحبت خواهد شد. در نهایت آشنایی مختصری با یادگیری تقویتی صورت خواهد گرفت.

سرفصل‌ها

  1. مقدمه: مباحث پایه و رویکردهای مختلف یادگیری
  2. رگرسیون: بیش‌برازش، رگرسیون خطی و غیرخطی، رگرسیون آماری، منظم سازی و مصالحه بایاس و واریانس
  3. دسته‌بندی: دسته‌بندی چند دسته‌ای، قاعده محور، احتمالاتی: تئوری تصمیم، رگرسیون لجستیکی
  4. دسته‌بندی تمایزی: جداساز فیشر، ماشین بردار پشتیبان
  5. درخت تصمیم: آنتروپی و بهره اطلاعات، الگوریتم ID3، C4.5 و هرس درخت تصمیم
  6. روش‌های تخمین پارامتر: MLE، Bayesian و EM
  7. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)، تحلیل همبستگی متعارف (CCA)
  8. خوشه‌بندی: روش‌های افرازی، سلسله مراتبی، مبتنی بر چگالی و طیفی
  9. ارزیابی و تنظیم کردن مدل‌ها: اعتبار سنجی متقابل، انتخاب مدل و انتخاب ویژگی
  10. روش‌های یادگیری مبتنی بر نمونه: تخمین چگالی غیرپارامتری، دسته‌بندی k نزدیکترین همسایه
  11. یادگیری جمعی: boosting، adaboost، bagging
  12. یادگیری تقویتی: فرایند تصمیم مارکوف، روش‌های مبتنی بر مدل و بی‌مدل، الگوریتم سارسا، یادگیری کیو

ارزیابی پیشنهادی

منابع پیشنهادی

  1. K. Murphy. Machine Learning: A probabilistic Perspective. MIT Press, 2013.
  2. C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  3. E. Alpaydin. Introduction to Machine Learning. MIT Press, 2020.