Linear Algebra for Machine Learning


معرفی:

امروزه کمتر کسب و کاری است که به نوعی با داده ها سر و کار نداشته باشد. یکی از راه های موثر برای ذخیره سازی و کار کردن با داده ها نمایش آن ها یه صورت برداری و ماتریسی است. جبرخطی و جبرخطی عددی، ابزارهای بسیار قدرتمندی را برای کار با بردار ها و ماتریس ها در اختیار ما قرار میدهند. در این دوره، قصد داریم تا از مفاهیم محض و ساده ای نظیر مجموعه ها شروع کنیم و با تعریف یک فضای برداری بر روی یک مجموعه زیر بنای تئوری که برای بیان و درستی الگوریتم ها نیاز است را فراهم نماییم. سپس با فاصله گرفتن از مفاهیم محض غیر ضرور و تنها با تکیه بر مفاهیم کاربردی، کاربردهایی از ماتریس ها و جبرخطی را در کاهش بُعد و رگرسیون خطی مشاهده خواهیم کرد. سپس به سراغ داده هایی با بُعد بالا خواهیم رفت و با تکیه بر اهمیت حفظ توپولوژی فضای داده ها به آموزش مفاهیم تنسور خواهیم پرداخت و در انتها به عنوان مثال هایی کاربردی از استفاده تنسور ها چند مسئله طبقه بندی را حل خواهیم کرد. در طول این دوره علاوه بر محتوا های تئوری، به صورت عملی نحوه استفاده از این الگوریتم ها را در زبان پایتون فراخواهیم گرفت و با کتاب خانه هایی نظیر Scikit-learn، Tensorly، Numpy آشنا خواهیم شد.


سرفصل ها:
  • Introduction to Vector Spaces
  • Matrix Operations
  • Special Matrices
  • Matrix Calculation in Python
  • Matrix Factorization
  • Singular Value Decomposition
  • Eigenvalue Decomposition
  • Linear Regression
  • Principal Component Analysis
  • Tensor Operations
  • Tensors Calculation in Python
  • Tensor Decomposition
  • Introduction to Multivariate Statistics
  • Classification by Tensor Decomposition

مدت زمان دوره: ۱۸ ساعت


استاد: امیرحسین هادیان


تاریخ برگزاری: پنجشنبه ۲۳ مرداد، جمعه ۲۴ مرداد، پنجشنبه ۳۰ مرداد، جمعه ۳۱ مرداد


ساعت برگزاری: ۱۱:۰۰ الی ۱۷:۳۰


نوع دوره: کارگاه آنلاین روی پلتفرم Adobe Connect


هزینه ثبت نام:

زود هنگام (از ۹۹/۰۵/۰۴ تا ۹۹/۰۵/۱۸) دیر هنگام (از ۹۹/۰۵/۱۸ تا ۹۹/۰۵/۲۳)
۲۲۰,۰۰۰ تومان ۲۸۰,۰۰۰ تومان
۲,۸۰۰,۰۰۰ ریال – ثبت نام