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
- مقدمه: مباحث پایه و رویکردهای مختلف یادگیری
- رگرسیون: بیش‌برازش، رگرسیون خطی و غیرخطی، رگرسیون آماری، منظم سازی و مصالحه بایاس و واریانس
- دسته‌بندی: دسته‌بندی چند دسته‌ای، قاعده محور، احتمالاتی: تئوری تصمیم، رگرسیون لجستیکی
- دسته‌بندی تمایزی: جداساز فیشر، ماشین بردار پشتیبان
- درخت تصمیم: آنتروپی و بهره اطلاعات، الگوریتم ID3، C4.5 و هرس درخت تصمیم
- روش‌های تخمین پارامتر: MLE، Bayesian و EM
- کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)، تحلیل همبستگی متعارف (CCA)
- خوشه‌بندی: روش‌های افرازی، سلسله مراتبی، مبتنی بر چگالی و طیفی
- ارزیابی و تنظیم کردن مدل‌ها: اعتبار سنجی متقابل، انتخاب مدل و انتخاب ویژگی
- روش‌های یادگیری مبتنی بر نمونه: تخمین چگالی غیرپارامتری، دسته‌بندی k نزدیکترین همسایه
- یادگیری جمعی: boosting، adaboost، bagging
- یادگیری تقویتی: فرایند تصمیم مارکوف، روش‌های مبتنی بر مدل و بی‌مدل، الگوریتم سارسا، یادگیری کیو
ارزیابی پیشنهادی
- تمرین‌ها و پروژه: ۳۰ درصد نمره
- آزمون‌های میان‌ترم و پایانی: ۶۰ درصد نمره
- پروژه پژوهشی: ۱۰ درصد نمره
منابع پیشنهادی
- K. Murphy. Machine Learning: A probabilistic Perspective. MIT Press, 2013.
- C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
- E. Alpaydin. Introduction to Machine Learning. MIT Press, 2020.