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.