یادگیری ماشین
| مدرس: دکتر مریم رمضانی، الهام ابوالحسنی | گواهی‌نامه: رسمی دوزبانه |
| ترم: تابستان ۱۴۰۴ | پیش‌نیاز: ریاضیات هوش مصنوعی و علم داده |
| زمان ارائه: دوشنبه ۱۶:۰۰ تا ۱۹:۰۰ | محل برگزاری: کلاس مجازی |
هدف کلی
در این درس هدف آشنایی با روشهای یادگیری ماشین و استفاده از آن‌ها برای حل مسائل واقعی است. برای این منظور روشهای باناظر (supervised) و بدون‌ناظر (unsupervised) معرفی خواهند شد و بهترین تجربیات برای ارزیابی و تنظیم (tuning) مدلها ارائه می‌شود. همچنین به رویکرد داده-محور (data-centric) جهت بهبود کارایی اشاره خواهد شد. پیاده‌سازی مدلهای مختلف یادگیری ماشین در پایتون و حل انواع مسائل عملی با استفاده از کتابخانه‌های یادگیری ماشین مدنظر خواهد بود. ریز مواد
سرفصل‌ها
- مقدمه‌ای بر یادگیری ماشین (۱ جلسه)
- رگرسیون (۴ جلسه)
- رگرسیون خطی
- روش بهینه‌سازی کاهش در راستای گرادیان (gradient descent)
- رگرسیون غیر خطی
- منظم‌سازی (regularization)
- بیش‌برازش (overfitting)
- اعتبارسنجی (validation) و انتخاب مدل (model selection)
- دسته‌بندی (۴ جلسه)
- درخت تصمیم
- ماشین بردار پشتیان (SVM)
- دسته‌بندی احتمالاتی: Naïve Bayes و Logistic regression
- روشهای یادگیری مبتنی بر نمونه (Instance-based) نظیر kNN
- معیارهای ارزیابی کارایی دسته‌بندی و رگرسیون (۱ جلسه)
- یادگیری جمعی (۲ جلسه)
- رویکرد bagging: روش Random Forest
- رویکرد boosting: روشهای boosted trees نظیر xgBoost
- کاهش ابعاد (۲ جلسه)
- روش PCA
- روش SVD
- خوشه‌بندی (۲ جلسه)
- روش K-means
- خوشه‌بندی سلسله‌مراتبی
- ارزیابی خوشه‌بندی
- تکنیک‌های عملی حل مساله (۲ جلسه)
- طرح چند مساله کاربردی و ارائه پایپلاین حل مساله
ارزیابی
- آزمونک: ۲۰٪
- تمرین: ۴۰٪
- پایان‌ترم: ۴۰٪
- امتحان‌های کوتاه: ۱۰٪
منابع
- C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
- A. Ng. Machine Learning Yearning. 2018.
- T. Mitchell. Machine Learning. MIT Press, 1998.
- K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.