مقیاس بندی ویژگی‌ها در گرادیان نزولی Feature Scaling in Gradient Descent– قسمت بیستم دوره یادگیری ماشین دانشگاه استنفورد

مقیاس بندی ویژگی‌ها در گرادیان نزولی Feature Scaling in Gradient Descent– قسمت بیستم دوره یادگیری ماشین دانشگاه استنفورد

در این جلسه از سری آموزش‌های یادگیری ماشین دانشگاه استنفورد با مقیاس بندی ویژگی‌ها در گرادیان نزولی آشنا می‌شویم. همچنین نرمال سازی داده‌ها و شروط اجرای آن را معرفی می‌کنیم. چرا از مقیاس بندی ویژگی‌ها در گرادیان نزولی استفاده می‌کنیم؟ در جلسه قبل، الگوریتم گرادیان نزولی برای چند متغیر را تعریف کردیم. با اضافه شدن اطلاعت بیشتر دربارهمقیاس بندی ویژگی‌ها در گرادیان نزولی Feature Scaling in Gradient Descent– قسمت بیستم دوره یادگیری ماشین دانشگاه استنفورد[…]

الگوریتم گرادیان نزولی برای چند متغیر Gradient Descent for Multiple Variables – قسمت نوزدهم دوره یادگیری ماشین دانشگاه استنفورد

الگوریتم گرادیان نزولی برای چند متغیر Gradient Descent for Multiple Variables – قسمت نوزدهم دوره یادگیری ماشین دانشگاه استنفورد

در این جلسه از سری آموزش‌های یادگیری ماشین دانشگاه استنفورد، شکل جدید الگوریتم گرادیان نزولی برای چند متغیر را معرفی می‌کنیم. در ادامه گرادیان نزولی را برای رگرسیون خطی چند متغیره به کار می‌گیریم. مروری بر آنچه آموختیم در جلسه گذشته با رگرسیون خطی چند متغیره آشنا شدیم. برداری برای متغیرها و برداری دیگر برای اطلاعت بیشتر دربارهالگوریتم گرادیان نزولی برای چند متغیر Gradient Descent for Multiple Variables – قسمت نوزدهم دوره یادگیری ماشین دانشگاه استنفورد[…]

رگرسیون خطی چند متغیره Multiple Variables Linear Regression – قسمت هجدهم دوره یادگیری ماشین دانشگاه استنفورد

در این جلسه رگرسیون خطی چند متغیره آشنا می‌شویم. در جلسات گذشته با رگرسیون خطی معمولی آشنا شدیم. این یک ورژن قدرتمندتر است. در این حالت می‌توان چند ویژگی یا متغیر را به کار برد.

تنظیم محیط برنامه نویسی Setting Up Programming Assignment Environment - قسمت هفدهم دوره یادگیری ماشین دانشگاه استنفورد

تنظیم محیط برنامه نویسی Setting Up Programming Assignment Environment – قسمت هفدهم دوره یادگیری ماشین دانشگاه استنفورد

در این نوشتار با تنظیمات مربوط به محیط برنامه‌نویسی مورد نیاز برای یادگیری ماشین در دو نرم افزار متلب و اکتاو آشنا خواهیم شد.

ترانهاده و وارون ماتریس Inverse and Transpose– قسمت شانزدهم دوره یادگیری ماشین دانشگاه استنفورد

ترانهاده و وارون ماتریس Inverse and Transpose– قسمت شانزدهم دوره یادگیری ماشین دانشگاه استنفورد

در این جلسه از سری آموزش‌های یادگیری ماشین دانشگاه استنفورد با ترانهاده و وارون ماتریس آشنا می‌شویم. مطالب این جلسه تکمیلی بر مباحث قبلی بوده و پس از آن وارد سرفصل جدید می‌شویم.

ویژگی‌های ضرب ماتریس Matrix Multiplication Properties– قسمت پانزدهم دوره یادگیری ماشین دانشگاه استنفورد

ویژگی‌های ضرب ماتریس Matrix Multiplication Properties– قسمت پانزدهم دوره یادگیری ماشین دانشگاه استنفورد

در این جلسه از سری آموزش‌های یادگیری ماشین دانشگاه استنفورد با ویژگی‌های ضرب ماتریس آشنا می‌شویم. استفاده از ماتریس محاسبات ما را آسان می‌کند. نکته مهم استفاده درست از ماتریس است.

ضرب ماتریس در ماتریس Matrix-Matrix Multiplication – قسمت چهاردهم دوره یادگیری ماشین دانشگاه استنفورد

ضرب ماتریس در ماتریس Matrix-Matrix Multiplication – قسمت چهاردهم دوره یادگیری ماشین دانشگاه استنفورد

در این جلسه از دوره آموزش یادگیری ماشین دانشگاه استنفورد، با شیوه ضرب دو ماتریس آشنا خواهیم شد. همچنین شرط این عمل و کاربرد آن را با مثال بررسی خواهیم کرد.

ضرب ماتریس در بردار Matrix Vector Multiplication– قسمت سیزدهم دوره یادگیری ماشین دانشگاه استنفورد

ضرب ماتریس در بردار Matrix Vector Multiplication– قسمت سیزدهم دوره یادگیری ماشین دانشگاه استنفورد

از مفاهیم بنیادین دیگر که در مباحث یادگیری ماشین کاربرد دارد، ضرب ماتریس در بردار است که در این نوشتار به آن می‌پردازیم.

محاسبات ریاضی ماتریس Matrix Mathematical Calculations– قسمت دوازدهم دوره یادگیری ماشین دانشگاه استنفورد

محاسبات ریاضی ماتریس Matrix Mathematical Calculations– قسمت دوازدهم دوره یادگیری ماشین دانشگاه استنفورد

در ادامه مباحث قبلی در رابطه با دورهٔ مفاهیم اولیه از جبر خطی، در این جلسه با محاسبات ماتریس‌ها آشنا خواهیم شد.

ماتریس و بردار Matrices and Vectors– قسمت یازدهم دوره یادگیری ماشین دانشگاه استنفورد

ماتریس و بردار Matrices and Vectors– قسمت یازدهم دوره یادگیری ماشین دانشگاه استنفورد

در این نوشتار و پیش از ورود به مباحث عمیق‌تری از هوش مصنوعی، با اصول اولیه جبر خطی، یعنی مفاهیم بردار و ماتریس آشنا می‌شویم.