מבוא ללמידת מכונה

גישת top-down (CS229) — מ-ML קלאסי לרגרסיה ועד PCA, עם ויזואליזציות במרחב רציף.

סיור top-down על למידה מונחית, לא מונחית והפרספטרון — מושגים לפני המתמטיקה העמוקה. 33 שיעורים על פונקציות הפסד, gradient descent, רגרסיה, סיווג, KNN/Naive Bayes/עצי החלטה/Random Forests/SVM, רשתות עצביות, optimisers, dropout, k-means, PCA, bias-variance, cross-validation.

7יחידות
33שיעורים
0%הושלם
יחידה 10/5

יסודות

מהי למידת מכונה, מה היא לא, ואיך להגדיר את הבעיה.

יחידה 20/5

רגרסיה

לינארית, פולינומיאלית, מרוסנת — חיזוי ערכים רציפים.

יחידה 30/6

סיווג

חיזוי מחלקות בדידות — לוגיסטית, softmax והמדדים שחשובים.

יחידה 40/5

מסווגים נוספים

KNN, Naive Bayes, עצי החלטה, יערות אקראיים, SVM.

יחידה 50/6

רשתות נוירונים

מהפרספטרון ועד backprop — היסודות של למידה עמוקה.

יחידה 60/3

למידה לא מונחית

גילוי מבנה ללא תוויות — קיבוץ והפחתת ממדים.

יחידה 70/3

הערכה ופרקטיקה

bias-variance, cross-validation, כיוונון hyperparameters — ארגז הכלים של המעשי.