یادگیری ماشین آماری

Statistical Machine Learning

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: مبانی یادگیری آماری هم‌نیاز: –

هدف کلی

هدف این درس آشنا نمودن دانشجویان با روش‌ها و مدل‌های یادگیری آماری است. دانشجویان ضمن آشنایی با مبانی نظری روش‌ها و فنون آماری حل مسائل، روش‌های معرفی شده را پیاده‌سازی نموده و به صورت عملی در مورد مجموعه داده‌های مختلف به کار می‌بندند.

سرفصل‌ها

  1. مقدمات: آمار و احتمال، استنتاج آماری، مدل‌های احتمالاتی و آماری رگرسیون و دسته‌بندی
  2. تخمین توزیع غیرپارامتری
  3. رگرسیون غیرپارامتری: روش‌های مبتنی بر هسته‌، چندجمله‌ای محلی، نزدیک‌ترین همسایه، و RKHS
  4. دسته‌بندی غیرپارامتری: روش‌های نزدیکترین همسایه، plug-in، مبتنی بر چگالی، درخت‌ها، جنگل‌های تصادفی
  5. روش‌های ابعاد بالا: رگرسیون گام به گام پیشرو، Lasso، رگرسیون مرزی، دسته‌بندی با ابعاد بالا
  6. کاهش بعد: تحلیل مؤلفه اصلی، روش‌های غیرخطی
  7. گسترش و تنظیم پایه
  8. تکنیک‌های منظم‌سازی
  9. ارزیابی و انتخاب مدل
  10. روش‌های هموارسازی مبتنی بر هسته
  11. تعبیه هسته
  12. علیت

ارزیابی پیشنهادی

منابع پیشنهادی

  1. J. Friedman, T. Hastie, and R. Tibshirani. The Elements of Statistical Learning. Springer, 2001.
  2. C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2016.