یادگیری ماشین

مدرس: مهدی جعفری سیاوشانی گواهی: رسمی دوزبانه
ترم: زمستان ۱۴۰۳ پیش‌نیاز: ریاضیات هوش مصنوعی و علم داده
زمان ارائه: پنج‌شنبه ۹ تا ۱۲ 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

  1. مقدمه‌ای بر یادگیری ماشین (۱ جلسه)
  2. 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)
  3. 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
  4. معیارهای ارزیابی کارایی دسته‌بندی و رگرسیون (۱ جلسه)
  5. یادگیری جمعی (۲ جلسه)
    • رویکرد bagging: روش Random Forest
    • رویکرد boosting: روشهای boosted trees نظیر xgBoost
  6. کاهش ابعاد (۲ جلسه)
    • روش PCA
    • روش SVD
  7. خوشه‌بندی (۲ جلسه)
    • روش K-means
    • خوشه‌بندی سلسله‌مراتبی
    • ارزیابی خوشه‌بندی
  8. 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

  1. C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  2. A. Ng. Machine Learning Yearning. 2018.
  3. T. Mitchell. Machine Learning. MIT Press, 1998.
  4. K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  5. T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.