این قسمت ششم از آموزش مفاهیم ریاضی پشت ماشین‌های بردار پشتیبان است. در این پست درباره دوگان، مسأله‌های بهینه‌سازی و ضریب‌های لاگرانژ یاد می‌گیریم.
اگر قسمت‌های قبلی را هنوز مطالعه نکرده‌اید، می‌توانید آموزش را از قسمت اول با مطالعه مقاله:SVM – درک مفاهیم ریاضی مورد نیاز – قسمت اول شروع کنید.
این قسمت پنجم از آموزش مفاهیم ریاضی پشت ماشین‌های بردار پشتیبان است. در این پست درباره تابع‌های محدب یاد می‌گیریم.
اگر قسمت‌های قبلی را هنوز مطالعه نکرده‌اید، می‌توانید آموزش را از قسمت اول با مطالعه مقاله:SVM – درک مفاهیم ریاضی مورد نیاز – قسمت اول شروع کنید.
این قسمت چهارم از آموزش مفاهیم ریاضی پشت ماشین‌های بردار پشتیبان است. در این پست نحوه حل کردن مسأله کمینه‌سازی بدون قید را یاد می‌گیریم.
اگر قسمت‌های قبلی را هنوز مطالعه نکرده‌اید، می‌توانید آموزش را از قسمت اول با مطالعه مقاله:SVM – درک مفاهیم ریاضی مورد نیاز – قسمت اول شروع کنید.
این قسمت سوم از آموزش‌های ریاضی مربوط به ماشین‌های بردار پشتیبان است. اگر قسمت‌های قبلی را هنوز مطالعه نکرده‌اید، می‌توانید آموزش را از قسمت اول با مطالعه مقاله:SVM – درک مفاهیم ریاضی مورد نیاز – قسمت اول شروع کنید.
سلام. سال نوتون (۱۳۹۷) مبارک باشه. امیدوارم همگی سالی پر از پیشرفت و به دور از همه کلیشه‌های اعصاب‌خورد کن رو پیش رومون داشته باشیم. این اولین پست امسال هست و دارم این رو در بهترین موقعیت که شب باشه و در یکی از بهترین فصل‌های سال که بهار باشه می‌نویسم که تقدیم حضورتون کنم. برای کسانی که هنوز باهم آشنا نشدیم من پیمان برجوییان هستم و به حوزه‌های یادگیری ماشینی و علم داده علاقمندم.
در ابن پست قصد دارم که راجع به مدل‌های خطی و این که چطور در فرآیند آموزش این این مدل‌ها، خطا به حداقل می‌رسه بنویسم. در کتاب Elements of Statistical Learning ویرایش دوم صفحه ۴۵ به رابطه‌هایی که در مدل‌های خطی استفاده می‌شوند اشاره شده. ولی درباره اثبات و نحوه به‌دست آوردن آن‌ها توضیحی ارائه نشده است. بنابراین تصمیم گرفتم که اثبات اون‌ها رو در این پست برای این که برای خودم هم بیشتر جا بیفته ارائه کنم. این نوشته رو خیلی وقته که تصمیم دارم بنویسم. همچنین این تصمیم رو در یک کافی‌شاپ گرفتم و طی چند روز هم در همون‌جا عملیش کردم. امشب هم فرصت کردم که اینجا قرارش بدم تا بقیه هم بتونن ازش استفاده کنن.
سلام. در این پست راجع به بایاس، واریانس و مصالحه(سبک سنگین کردن یا trade off) بین آن‌ها می‌پردازم.
نگاه کردن از دریچه بایاس، واریانس و مصالحه میان آن‌ها، به درک بهتر الگوریتم‌های یادگیری ماشین کمک می‌کند.
سلام. اگر در حوزه‌های علم داده و یادگیری ماشین فعالیت می‌کنید. حتما متوجه شدید که مفهوم‌ها و ابزارهای مختلفی در این زمینه‌ها وجود دارن. هر کدوم از اون‌ها قابلیت‌های زیاد و مختلفی دارن که ممکنه با خیلی از اون‌ها کار نکرده و یا به کل از وجودشون بی‌اطلاع باشید. حتی روش‌ها و تکنیک‌هایی که در موردشون می‌دونیم هم ممکنه هر چندوفت یکبار از یادتون برن. این‌جاست که برگه‌های تقلب(Cheat Sheets) وارد صحنه میشن و میتونن حسابی به‌دردبخور باشن.
طبقه‌بندی کننده بیز ساده (Naive Bayes) طبقه‌بندی کننده ساده و شناخته شده‌ای است که در مواقعی که تعداد مشاهدات کمی در دسترس باشد نیز عمل‌کرد خوبی دارد. در این آموزش یک طبقه‌بندی کننده بیز ساده گاوسی (Gaussian Naive Bayes) را از پایه ایجاد خواهیم کرد و با استفاده از آن، کلاس (طبقه‌بندی یا برچسب) نقاط داده که از قبل دیده نشده‌اند را پیش‌بینی می‌کنیم.
سلام.
درحال نوشتن یک پست راجع به طبقه‌بندی‌کننده بیز ساده (Naive Bayes) هستم و در حین نوشتنش به مفهومی به نام Likelihood برخورد کردم و فکر کردم که به این مفهوم، جاهای مختلفی اشاره شده و این که شاید بد نباشه که قبل از انتشار اون پست، یه کم در موردش بنویسم. البته این یک مفهوم آماری هست و خب طبیعتا درگیر ریاضیات میشه که من در این پست قصد ندارم راجع بهشون بنویسم و فقط به مفهوم و تعریف‌ها اشاره می‌کنم. ولی اگر علاقمند باشید خودتون می‌تونید ریاضیاتش را در ویکیپدیا مطالعه کنید.
در این پست قصد دارم که مختصری راجع به درخت تصمیم توضیح بدم و در ادامه به زبان پایتون مثالی رو برای اون پیاده‌سازی کنم.
توجه کنید که امروز قصد ندارم که راجع به جزییات خود الگوریتم صحبت کنم. (شاید در آینده این کارو هم بکنم)