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.
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)
امروز قصد دارم قبل از وارد شدن به مباحث ریاضی، به صورت کلی راجع به SVMها صحبت کنم و مروری روی آن‌ها داشته باشم.
SVM دقیقا چه چیزی هست؟
SVM یک مدل یادگیری نظارت شده است.
اگه علاقمند هستید که راجع به ماشین بردار پشتیبان (SVM) بیشتر یاد بگیرید و جزییات آن را بدانید، آدرس درستی را انتخاب کرده‌اید. چون در این پست و پست‌های بعدی، من(پیمان برجوییان) قصد دارم راجع به SVM بنویسم. در واقع این پست میشه فهرستی برای بقیه مطالب مربوط به SVM و بالت‌هایی که اینجا می‌بینید در آینده به لینک‌هایی تبدیل خواهند شد و شما را به صفحات مربوط به خودشون راهنمایی خواهند کرد. منبع اصلی این مطلب‌ها کتاب آقای Alexandre Kowalczyk هست و از ایشون بابت این‌که اجازه دادن از مطلب‌هاشون استفاده و اونا رو به فارسی ترجمه و منتشر کنم، تشکر می‌کنم. ادامه‌ی خواندن
تا این جای کار آموخته‌های من توی چهارچوب دانشگاه و استادهام بود و بیشتر روی سیستم‌های توزیع شده و به ویژه روی محاسبات ابری مطالعه و تحقیق کردم.
همیشه دوست داشتم درباره داده کاوی هم مطالعه داشته باشم و حتّی یه روزی دانشمند داده بشم و الآن که دوره کارشناسی ارشدم به پایان رسیده، تا شروع دوره سربازی یه فرصت آزادی دارم که قصد دارم توی اون داده کاوی رو یاد بگیرم.
امّا داده کاوی چیه و به چه درد می‌خوره؟ دانشمند داده کیه و برای دانشمند داده شدن باید چه چیزهایی رو بدونیم؟