آموزش یادگیری ماشین در متلب – فاصله ها و رگرسیون غیرپارامتریک – قسمت ۲۲
با سلام
این پست شامل قسمت بیست و دوم از سری فیلم های آموزشی یادگیری ماشین می باشد. در این قسمت انواع معیارهای شباهت، یعنی فاصله، را با ذکر مثال بیان می نماییم:
۱- فاصله اقلیدوسی Euclidean
۲- فاصله ماهالانوبیس Mahalanobis
۳- فاصله منهتن Manhatan یا City block
۴- فاصله کیوبیک Cubic
۵- فاصله چبیچب Chebychev
۶- فاصله مینکوسکی Minkowski
۷- فاصله کوساین Cosine
۸- فاصله کورلیشن Correlation
سپس انواع روش های جستجو را با ذکر مثال معرفی و آموزش می دهیم:
۱- جستجو جامع (Exhaustive search)
۲- درخت k بعدی (K-d-tree)
سپس مفهوم رگرسیون غیر پارامتریک Non parametric یا مدل های هموارساز Smoothing models را با زبانی ساده بیان می نماییم. انواع روش های رگرسیون غیرپارامتریک را با ذکر مثال آموزش می دهیم:
۱- روش Running mean smoother
۲- روش Kernel smoother
۳- روش Running line smoother
۴- روش Locally weighted running line smoother
در پایان نحوه مقداردهی پارامترهای Smoothing ، مزایای و معایب روش های غیرپارامتریک را بیان می نماییم.
تذکر۱:
قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید.
تذکر۲:
کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز از اینجا دانلود نمایید.
لازم به ذکر است این مجموعه از آموزش های گام به گام یادگیری ماشین در متلب برای اولین بار در ایران تهیه و توسط یکی از مجربترین اسانید در زمینه هوش مصنوعی آموزش داده شده است.
این مجموعه آموزشی بسیار مناسب برای محققین و دانشجویان در مقاطع کارشناسی، کارشناسی ارشد و دکتری می باشد که قصد یادگیری این درس و همچنین استفاده ازالگوریتم های هوش مصنوعی در مقاله و پایان نامه خود را دارند.
با تشکر
نوشته آموزش یادگیری ماشین در متلب – فاصله ها و رگرسیون غیرپارامتریک – قسمت ۲۲ اولین بار در متلب یار پدیدار شد.
مبنع این خبر (برای مشاهده متن کامل خبر لینک زیر را بزنید):
متلب یار