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
- مقدمات: آمار و احتمال، استنتاج آماری، مدل‌های احتمالاتی و آماری رگرسیون و دسته‌بندی
- تخمین توزیع غیرپارامتری
- رگرسیون غیرپارامتری: روش‌های مبتنی بر هسته، چندجمله‌ای محلی، نزدیکترین همسایه، و RKHS
- دسته‌بندی غیرپارامتری: روش‌های نزدیکترین همسایه، plug-in، مبتنی بر چگالی، درخت‌ها، جنگل‌های تصادفی
- روش‌های ابعاد بالا: رگرسیون گام به گام پیشرو، Lasso، رگرسیون مرزی، دسته‌بندی با ابعاد بالا
- کاهش بعد: تحلیل مؤلفه اصلی، روش‌های غیرخطی
- گسترش و تنظیم پایه
- تکنیک‌های منظم‌سازی
- ارزیابی و انتخاب مدل
- روش‌های هموارسازی مبتنی بر هسته
- تعبیه هسته
- علیت
ارزیابی پیشنهادی
- تمرین‌ها و پروژه: ۲۰ درصد نمره
- آزمون‌های میان‌ترم و پایانی: ۶۰ درصد نمره
- پروژه پژوهشی: ۲۰ درصد نمره
منابع پیشنهادی
- J. Friedman, T. Hastie, and R. Tibshirani. The Elements of Statistical Learning. Springer, 2001.
- C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2016.