توضیحات
Data Structures, Algorithms, and Machine Learning Optimization LiveLessons (Video Training)، یک دوره آموزش ساختار های داده، الگوریتم ها و بهینه سازی یادگیری ماشین میباشد.
آنچه در دوره Data Structures, Algorithms, and Machine Learning Optimization LiveLessons (Video Training) یاد خواهید گرفت:
- استفاده از علامت گذاری big O برای توصیف اثر گذار زمان و فضا بر اساس یک الگوریتم که شما را توانا میکند تا بهترین روش را برای حل یک مسئله یادگیری ماشین با استفاده از منابع سخت افزاری موجود انتخاب کنید.
- آشنا شدن با تمام طیف ساختار های داده پایتون شامل list-, dictionary-, tree-, و ساختار های graph-based
- توسعه یک فهم قابل استفاده برای تمام الگوریتم های ضروری کار با داده شامل searching, sorting, hashing و traversing
- کشف چگونگی کارکرد روش های آماری و یادگیری ماشین برای بهینه سازی های متفاوت هستند.
- درک چیستی الگوریتم های بهینه سازی چند بعدی گرادینت نزولی و استفاده از آنها
مشخصات دوره
ناشر: InformIT
مدرسین: Jon Krohn
زبان: انگلیسی
سطح آموزش: متوسط
تعداد دروس: 66
مدت زمان: 6 ساعت و 28 دقیقه
سرفصل های دوره:
Lesson 1: Orientation to Data Structures and Algorithms
Topics
1.1 Orientation to the Machine Learning Foundations Series
1.2 A Brief History of Data
1.3 A Brief History of Algorithms
1.4 Applications to Machine Learning
Lesson 2: “Big O” Notation
Topics
2.1 Introduction
2.2 Constant Time
2.3 Linear Time
2.4 Polynomial Time
2.5 Common Runtimes
2.6 Best versus Worst Case
Lesson 3: List-Based Data Structures
Topics
3.1 Lists
3.2 Arrays
3.3 Linked Lists
3.4 Doubly-Linked Lists
3.5 Stacks
3.6 Queues
3.7 Deques
Lesson 4: Searching and Sorting
Topics
4.1 Binary Search
4.2 Bubble Sort
4.3 Merge Sort
4.4 Quick Sort
Lesson 5: Sets and Hashing
Topics
5.1 Maps and Dictionaries
5.2 Sets
5.3 Hash Functions
5.4 Collisions
5.5 Load Factor
5.6 Hash Maps
5.7 String Keys
5.8 Hashing in ML
Lesson 6: Trees
Topics
6.1 Introduction
6.2 Decision Trees
6.3 Random Forests
6.4 XGBoost: Gradient-Boosted Trees
6.5 Additional Concepts
Lesson 7: Graphs
Topics
7.1 Introduction
7.2 Directed versus Undirected Graphs
7.3 DAGs: Directed Acyclic Graphs
7.4 Additional Concepts
7.5 Bonus: Pandas DataFrames
7.6 Resources for Further Study of DSA
Lesson 8: Machine Learning Optimization
Topics
8.1 Statistics versus Machine Learning
8.2 Objective Functions
8.3 Mean Absolute Error
8.4 Mean Squared Error
8.5 Minimizing Cost with Gradient Descent
8.6 Gradient Descent from Scratch with PyTorch
8.7 Critical Points
8.8 Stochastic Gradient Descent
8.9 Learning Rate Scheduling
8.10 Maximizing Reward with Gradient Ascent
Lesson 9: Fancy Deep Learning Optimizers
Topics
9.1 Jacobian Matrices
9.2 Second-Order Optimization and Hessians
9.3 Momentum
9.4 Adaptive Optimizers
9.5 Congratulations and Next Steps
Summary
پیش نیاز دوره:
Mathematics: Familiarity with secondary school-level mathematics will make the class easier to follow along with. If you are comfortable dealing with quantitative information–such as understanding charts and rearranging simple equations–then you should be well-prepared to follow along with all of the mathematics.
Programming: All code demos will be in Python so experience with it or another object-oriented programming language would be helpful for following along with the hands-on examples.
تصاویر
فیلم نمونه
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 720p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
9.3 گیگابایت
1 دیدگاه. همین الان خارج شوید
بسیار عالی و ممنون که این دوره آموزشی رو قرار دادید