دوره کشف الگوها و پیش بینی با روش های آماری مدرن به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه ای بر یادگیری آماری 2. هدف یادگیری آماری 3. انواع مسائل در یادگیری آماری 4. داده های آموزشی و آزمایشی 5. بیش برازش و کم برازش 6. مدل های خطی 7. رگرسیون خطی ساده 8. رگرسیون خطی چندگانه 9. انتخاب متغیر در رگرسیون خطی 10. رگرسیون لجستیک 11. تحلیل تفکیک خطی (LDA) 12. تحلیل تفکیک کوادراتیک (QDA) 13. روش های مبتنی بر درخت تصمیم 14. درخت های تصمیم برای طبقه بندی 15. درخت های تصمیم برای رگرسیون 16. قوانین طبقه بندی 17. روش های مجموعه (Ensemble Methods) 18. تقویت (Boosting) 19. آدا بوست (AdaBoost) 20. گرادیان بوست (Gradient Boosting) 21. جنگل های تصادفی (Random Forests) 22. ماشین های بردار پشتیبان (SVM) 23. هسته های غیرخطی در SVM 24. کاربرد SVM در طبقه بندی و رگرسیون 25. شبکه های عصبی مصنوعی 26. نورون ها و لایه ها 27. شبکه های عصبی پیش خور (Feedforward Neural Networks) 28. پس انتشار خطا (Backpropagation) 29. شبکه های عصبی کانولوشنی (CNN) 30. شبکه های عصبی بازگشتی (RNN) 31. یادگیری عمیق (Deep Learning) 32. مدل های گرافیکی احتمالی 33. شبکه های بیزی (Bayesian Networks) 34. مدل های مارکوف پنهان (HMM) 35. روش های کاهش ابعاد 36. تحلیل مولفه های اصلی (PCA) 37. تجزیه مقادیر منفرد (SVD) 38. کاهش ابعاد با حفظ همسایگی (Isomap, LLE) 39. خوشه بندی (Clustering) 40. K-Means 41. خوشه بندی سلسله مراتبی (Hierarchical Clustering) 42. ...