مبانی یادگیری ماشین: احتمال

مدرس Terezija Semenski

انتشار 2023/07/27

مدت زمان 1h 24m

سطح مناسب همه

فایل تمرینی دارد

آموزش Machine Learning Foundations: Probability

اگر با مدل‌های یادگیری ماشین کار می‌کنید، احتمالاً می‌دانید که مدل‌های شما بر اساس تخمین و تقریب هستند. احتمال همه چیز و بیشتر است — اما چگونه از آن به نفع خود استفاده می کنید؟در این دوره، سومین قسمت از مجموعه مبانی یادگیری ماشین، به مربی Terezija Semenski برای کاوش عمیق احتمالات بپیوندید. مفاهیم و عملکردهای اصلی آن و نحوه استفاده از آن برای طراحی، پیاده سازی و مدیریت الگوریتم های یادگیری ماشینی قابل اعتمادتر. در طول مسیر، برخی از ضروری‌ترین ابزارها و تکنیک‌هایی را که برای مدل‌سازی احتمالی موفق، بیرون کشیدن از قوانین احتمال، احتمال مشترک و حاشیه‌ای، توزیع‌های احتمال گسسته، توزیع‌های احتمال پیوسته، قضیه بیز و غیره باید بدانید، کشف کنید. /p>

Machine Learning Probability

Introduction

Probability for machine learning ()

What you should know ()

1. Introduction to Probability

Defining probability ()

Applications of probability in ML ()

Sample space and events ()

Random variables ()

Examples of probability ()

2. The Rules of Probability

Probability of an event ()

The sum rule ()

The product rule ()

The sum rule extended ()

Conditional probability ()

Total probability ()

3. The Joint and Marginal Probability

Joint and marginal probability ()

Joint probability tables ()

The chain rule for probability ()

4. Discrete Probability Distributions

Probability distributions ()

Histograms and probability ()

Discrete probability distribution ()

The binomial distribution ()

The Bernoulli distribution ()

The Poisson distribution ()

5. Continuous Probability Distributions

The continuous probability distribution ()

Central limit theorem ()

The law of large numbers ()

6. The Bayes' Theorem

Introduction to Bayes' theorem ()

Example of Bayes' theorem in practice ()

Naive Bayes' clasifier ()

Conclusion

Next steps ()

Ex_Files_ML_Foundations_Probability.zip (39 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش مبانی یادگیری ماشین: احتمال

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Machine Learning Foundations: Probability در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

درک مفاهیم کلیدی ریاضی برای پیاده سازی موثر الگوریتم های یادگیری ماشین ضروری است. به مفاهیم اصلی از جبر خطی گرفته تا حساب دیفرانسیل و انتگرال، احتمالات و آمار بپردازید. چه یک مبتدی یا یک متخصص با تجربه باشید، این مسیر یادگیری شما را با مهارت های حیاتی برای مقابله با پروژه های پیچیده ML مجهز می کند.

آموزش مبانی یادگیری ماشین: احتمال ، ایستگاه شماره 3 در مسیر یادگیری ریاضیات پایه برای یادگیری ماشین ، است.