Makine Öğrenmesinin Felsefesi ve Matlab Uygulamaları

Name: Makine Öğrenmesinin Felsefesi ve Matlab Uygulamaları
Rating: 4.8 (30 reviews)

Makine Öğrenmesinin Hazır Kütüphane Kullanmadan Gerçeklenmesi ve Olasılık Teorisi

Highest Rated

Created byMehmet İŞCAN

Last updated 6/2020

Turkish

Turkish [Auto],

What you'll learn

Yapay Zeka, Makine Öğrenmesi, Temel yazılım öğelerini kullanarak (for, if, else) makine öğrenmesindeki teorilerin uygulanması, Makina öğrenmesinin felsefesi ve bulunuşu

Course content

5 sections • 41 lectures • 7h 40m total length

Makine Öğrenmesinin Felsefesi ve Bulunuşu27:50
Bu derste Makine Öğrenmesinin Felsefesi ve Bulunuşu anlatılmaktadır.
Makine Öğrenmesinin Türleri9:48
Bu derste Makine Öğrenmesinin Türleri anlatılmaktadır.

Düşen Eğim Algoritması (Gradient Descent) - Part I8:59
Bu derste Düşen Eğim Algoritması (Gradient Descent) anlatılmaktadır.
Düşen Eğim Algoritması (Gradient Descent) - Part II8:49
Bu derste Düşen Eğim Algoritması (Gradient Descent) anlatılmaktadır.
Düşen Eğim Algoritması (Gradient Descent) - Part III10:44
Düşen Eğim Algoritması (Gradient Descent) -Part IV7:27
Bu derste Düşen Eğim Algoritması (Gradient Descent) - Part IV anlatılmaktadır.
Düşen Eğim Algoritması (Gradient Descent) -Matlab Uygulaması20:17
Bu derste Düşen Eğim Algoritması (Gradient Descent) - Matlab Uygulaması anlatılmıştır.
Çoklu Düşen Eğim Algoritması (Multiple Gradient Descent)11:00
Bu derste Çoklu Düşen Eğim Algoritması (Multiple Gradient Descent) anlatılmıştır.

Sınıflama (Classification) Probleminin Tanıtılması7:04
Bu derste Sınıflama (Classification) Probleminin Tanıtılması anlatılmaktadır.
Lojistik Regresyon Algoritması - Part I5:44
Bu derste Logistic Regression Algoritması - Part I anlatılmıştır. Model fonksiyonunun bulunması gösterilmiştir.
Lojistik Regresyon Algoritması - Part II14:12
Bu derste Logistic Regression Algoritması - Part II, maliyet fonksiyonu anlatılmaktadır.
Lojistik Regresyon Algoritması - Part III7:23
Bu derste Logistic Regression Algoritması - Part III eğitim algoritması anlatılmaktadır.
Lojistik Regresyon Algoritması - Matlab PART I11:47
Bu derste Logistic Regression Algoritması - Matlab PART I gerçekleştirilmiştir.
Lojistik Regresyon Algoritması - Matlab PART II20:31
Lojistik Regresyon Algoritması - Matlab PART III11:47
Bu derste Logistic Regression Algoritması - Matlab PART III anlatılmaktadır.
Lojistik Regresyonun sorunları10:05
Bu derste Logistic Regression'nın sorunları anlatılmıştır ve yapay sinir ağlarının neden ihtiyaç duyduğu verilmiştir.

Yapay Sinir Ağları/Fizyolojik açıklama Part I10:31

Bu derste Yapay Sinir Ağları/Fizyolojik açıklama anlatılmaktadır.
Yapay Sinir Ağları/Fizyolojik açıklama Part II9:56
Bu derste Yapay Sinir Ağları/Fizyolojik açıklama Part II anlatılmaktadır.
Yapay Sinir Ağları/Algılayıcı (Perceptron) Açıklaması11:02
Bu derste Yapay Sinir Ağları/Perceptron Açıklaması anlatılmaktadır.
Yapay Sinir Ağları/ Çok katmanlı Algılayıcı (Multilayer Perceptron) Part I16:06
Bu derste Yapay Sinir Ağları/Multilayer Perceptron anlatılmaktadır.
Yapay Sinir Ağları/ Çok katmanlı Algılayıcı (Multilayer Perceptron) Part II9:05
Bu derste Yapay Sinir Ağları/Multilayer Perceptron Part II anlatılmaktadır. Maliyet fonksiyonu bu kısımda açıklanmaktadır.
Yapay Sinir Ağları/ Çok katmanlı Algılayıcı (Multilayer Perceptron) Part III12:19
Bu derste Yapay Sinir Ağları/Multilayer Perceptron Part III anlatılmaktadır. Ayrıca geri yayılımlı öğrenme "backpropagation learning" de bu derste verilmektedir.
Yapay Sinir Ağları/ Matlab Uygulaması - Part I9:29
Bu derste Yapay Sinir Ağları/ Matlab Uygulaması - Part I anlatılmaktadır.
Yapay Sinir Ağları/ Matlab Uygulaması - Part II7:55
Bu derste Yapay Sinir Ağları/ Matlab Uygulaması - Part II anlatılmaktadır.
Yapay Sinir Ağları/ Matlab Uygulaması - Part III12:50
Bu derste Yapay Sinir Ağları/ Matlab Uygulaması - Part III anlatılmaktadır.
Yapay Sinir Ağları/ Matlab Uygulaması - Part IV9:52
Bu derste Yapay Sinir Ağları/ Matlab Uygulaması - Part IV anlatılmaktadır.

Olasılık Teorisi - Olasılık Teorisinin Bulunuşu13:01
Bu derste Ders 27 - Olasılık Teorisi - Olasılık Teorisinin Bulunuşu anlatılmaktadır.
Olasılık Teorisi - Ortak Özellikleri Belirlenmesi11:35
Bu derste Ders 28 - Olasılık Teorisi - Ortak Özellikleri Belirlenmesi anlatılmaktadır. Ortalama değer ve varyans kavramı bulunmaktadır.
Olasılık Teorisi - Olasılık Yoğunluk Fonksiyonu8:20
Bu derste Ders 29 - Olasılık Teorisi - Olasılık Yoğunluk Fonksiyonu çıkarımı anlatılmıştır.
Olasılık Teorisi - PDF ve GMM uygulama alanları12:27
Bu derste Ders 30 - Olasılık Teorisi - PDF ve GMM uygulama alanları anlatılmaktadır.
Olasılık Teorisi - Kovaryans Matrisi Tanımı13:12
Olasılık Teorisi - Kovaryans Matrisi Tanımı anlatılmaktadır.
Olasılık Teorisi - PDF Matlab Uygulaması14:54
Olasılık Teorisi - PDF Matlab Uygulaması anlatılmaktadır.
Olasılık Teorisi - Mutually Exclusive + Exhaustive9:04
Olasılık Teorisi - Mutually Exclusive + Exhaustive anlatılmaktadır.
Olasılık Teorisi - Prior Probability (Önsel Olasılık)7:11
Bu derste Olasılık Teorisi - Prior Probability anlatılmaktadır.
Olasılık Teorisi - Conditional Probability (Koşullu Olasılık)10:08
Bu derste Olasılık Teorisi - Conditional Probability anlatılmaktadır.
Olasılık Teorisi - Posterior Probability (Sonsal Olasılık)13:06
Bu derste Olasılık Teorisi - Posterior Probability anlatılmaktadır.
Olasılık Teorisi - Sonsal - Koşullu Olasılık Karşılaştırılması (Post.-Cond. )7:46
Bu derste Olasılık Teorisi - Posterior-Conditional Probability Karşılaştırılması yapılmaktadır.
Olasılık Teorisi - GMM Matlab Uygulaması - Part I11:41
Olasılık Teorisi - GMM Matlab Uygulaması - Part I anlatılmaktadır.
Olasılık Teorisi - GMM Matlab Uygulaması - Part II11:59
Olasılık Teorisi - GMM Matlab Uygulaması - Part II anlatılmaktadır.
Olasılık Teorisi - Sonsal Olasılık Matlab Uygulaması - Part III6:31
Bu derste Olasılık Teorisi - Posterior Probability Matlab Uygulaması - Part III anlatılmaktadır.
Olasılık Teorisi - Sonsal Olasılık Matlab Uygulaması - Part IV7:18
Olasılık Teorisi - Posterior Probability Matlab Uygulaması - Part IV (çoklu sınıflarda uygulamalar) anlatılmaktadır.

Requirements

Herhangi bir ön koşul yoktur. Sadece bilgisayarlarına matlab yüklü olması gerekmektedir.

Description

Arkadaşlar hepinize merhaba.

Bu derste özellikle Makine öğrenmesi ve yapay zeka ile alakalı matematiksel düşünüşte verilen felsefi geçmiş tartışması yapılacaktır. Analitik felsefenin etkisiyle doğan bu alanda Makine öğrenmesi için kullanılan temel teoriler ve bunların hazır kütüphane olmadan kodlanması üzerine güzel bir giriş bu derste yapılacaktır.

Konu başlıkları olarak,

- Makine öğrenmesinin felsefesi ve türleri

- Optimizasyon yöntemlerinde de sıklıkla kendisi ve türevleri kullanılan düşen eğim algoritması

- Sınıflama işlemleri için Lojistik regresyon kullanımı ve basit bir algılayıcı (perceptron) tasarımının anlatımı

- Yapay sinir ağı yapıları ve bu tip ağların eğitimi için geri yayılımlı öğrenme teknikleri (Neural Network - Backpropagation Algorithm)

- Olasılık teorisinin bulunuşu ve felsefi yayılımı (Probability)

- Kovaryans, varyans, ortalama değer ve diğer olasılıksal kavramların açıklaması ve felsefi temeli

- Olasılıksal yoğunluk fonksiyonlarının kullanımı ve matlab uygulaması (PDF)

- Karışım modeli tabanlı birden fazla yoğunluk fonksiyonunun kullanımı ve Matlab uygulaması (GMM)

- Olasılıksal karışım fonksiyonlarının sınıflama işlemleri ve Matlab Uygulaması

Umarım size aktarmak istediğim bu bilgileri bir ömür boyu kullanırsınız.

Who this course is for:

Başlangıç düzeyinde Makine Öğrenmesi öğrenmek isteyen kişiler
Hazır kodlar yerine bütün eğitim ve veriseti oluşturma kodlarına hakim olmak isteyenler
Teorik olarak matematiksel formların uygulamasını hazır kütüphane kullanmadan yapmak isteyenler

Makine Öğrenmesinin Felsefesi ve Matlab Uygulamaları

What you'll learn

Explore related topics

Course content

Makine Öğrenmesinin Temelleri2 lectures • 38min

Düşen Eğim Algoritmasının Teorisi ve Uygulaması6 lectures • 1hr 7min

Sınıflama (Classification) Problemleri ve Çözümleri8 lectures • 1hr 29min

Yapay Sinir Ağı Modelleme ve Matlab Uygulaması/Teorik Çıkarımlar10 lectures • 1hr 49min

Olasılık Teorisi ve Matlab Uygulamaları15 lectures • 2hr 38min

Requirements

Description

Who this course is for: