مفاهیم مقدماتی (بخش اول)
مفاهیم مقدماتی (بخش دوم)
مفاهیم مقدماتی (بخش سوم)
تمرین عملی روی دادههای قلبی
روش k-نزدیکترین همسایه
دستهبندی پرسپترون و روشهای خطی
انتخاب ویژگی (Feature Selection)، استخراج ویژگی (Feature Extraction)، Cross-Validation ،Classification
ماشینِ بردار پشتیبان
پیادهسازی پرسپترون، Mini-Batch و Learning Rate
ادامهی ماشینهای بردار پشتیبان
یادگیری مشارکتی
تحلیل دادههای بیان ژن، کاهش ابعاد و PCA
انتخاب ویژگی (Feature Selection)
کاهش ویژگی (PCA)
خوشهبندی (k-means)
خوشهبندی سلسلهمراتبی و k-means در R
ادامهی خوشهبندی، الگوریتم EM
مروری بر الگوریتم خوشهبندی سلسلهمراتبی و ضریب همبستگی Pearson و Spearman
ادامهی توزیع ترکیبی گوسی
الگوریتم Expectation–maximization و کاربرد آن در Strand Sequencing
مدلهای مخفی مارکوف (HMM)
کاهش ابعاد به روش t-SNE
شبکههای عصبی چندلایه (MLP)
Scikit-learn
شبکههای پیچشی (CNN)
ادامهی آموزش شبکهها - افزایش عمق شبکه
Autoencoder
شبکههای ResNet - خودکدگذار (Autoencoder)
شبکههای مولد تخاصمی یا Generative Adversarial Networks (GAN)
مباحث نظری در شبکههای عمیق - شبکههای VAE
یادگیری خودنظارتی (Self-supervised Learning) و تعبیهی کلمه(Word Embedding)
ادامهی شبکههای VAE - شبکههای بازگشتی