EN العربية

الذكاء الاصطناعي وتعلم الآلة

تعلم الآلة، الجزء الأول

افهم أسس الانحدار والتصنيف وتعلّم تحليل مجموعات البيانات الواقعية.

المحاضر د. وليد أ. يوسف أستاذ غير متفرغ، جامعة فيكتوريا، كندا
مجموعتان من نقاط البيانات يفصل بينهما حد فاصل منحني

01

عن الكورس

افهم أسس الانحدار والتصنيف وتعلّم تحليل مجموعات البيانات الواقعية.

02

ماذا ستتعلم؟

يركز الكورس على أساسيات تعلم العلاقة بين المخرجات، أو متغير الاستجابة، ومجموعة المدخلات، أو المتنبئات، في مسائل محددة. ويتناول مجالين رئيسيين: الانحدار، حيث تكون الاستجابة كمية، والتصنيف، حيث تكون فئوية مثل مصاب أو غير مصاب.

ويهدف أيضًا إلى إكساب الطلاب مهارات تحليل مجموعات بيانات واقعية وتصميم دوال تعلم مناسبة لتقليل أخطاء التنبؤ، من خلال تمارين حاسوبية ومشروع للكورس.

يبدأ بمراجعة نظرية الاحتمالات، بما فيها موضوعات متقدمة في التحليل متعدد المتغيرات، مع التركيز على التوزيعات الطبيعية متعددة المتغيرات. ويقدم أساسيات الجبر الخطي، ومنها الفضاءات الأربعة للمصفوفة، وتحليل القيم المفردة (SVD)، وعلاقته بتحليل المكونات الرئيسية (PCA).

يتبع الكورس منهجًا يبدأ بالصورة العامة لنظرية القرار الإحصائي، ثم ينتقل إلى النماذج الخطية والانحدار. ويشتق مصنف بايز ويشرحه ويطبقه على التوزيعات الطبيعية متعددة المتغيرات، مع تعريف مفاهيم مثل التقدير ودالة الخسارة وتقليل المخاطرة.

هذا الجزء الأول يمهد للجزء الثاني، الذي تتناول خطته أساليب الانحدار والتصنيف مثل الشبكات العصبية، وأقرب الجيران، والانحدار اللوجستي، وأشجار التصنيف والانحدار، إلى جانب مقاييس التقييم مثل منحنى ROC والمساحة تحته (AUC) والتحقق المتقاطع (CV).

03

محتوى المحاضرات

عناوين الفيديوهات ومددها كما نُشرت على عربسرا. قد يختلف عدد المحاضرات المعلن عن عدد الفيديوهات، إذ قد تشمل القائمة مقدمات وتدريبات ومحاضرات مقسمة إلى أجزاء.

عناوين الفيديوهات ومددها 22
  1. 01 Introduction to Pattern Recognition
  2. 02 Introduction to Statistical Decision Theory I (Regression)
  3. 03 Introduction to Statistical Decision Theory II (Classification)
  4. 04 Introduction to Statistical Decision Theory III (Classification)
  5. 05 Getting to "Learning" I (Regression)
  6. 06 Getting to "Learning" II (Classification)
  7. 07 Linear Models for Regression: Least Mean Square
  8. 08 Linear Models for Regression: Centered Model
  9. 09 Linear Models for Regression: Performance
  10. 10 Linear Models for Regression: Data Preprocessing and Transformation
  11. 11 Bias-Variance Decomposition
  12. 12-a Bias-Variance: illustration, model complexity, and model selection
  13. 12-b Bias-Variance: illustration, model complexity, and model selection
  14. 12-c Bias-Variance: illustration, model complexity, and model selection
  15. 13 Reducing Complexity: subset selection
  16. 14-a Reducing Complexity: regularization, shrinkage, ridge regression
  17. 14-b Reducing Complexity: regularization, shrinkage, ridge regression
  18. Appendix A: fast revision on basics of Probability
  19. Appendix B: fast revision on basics of Statistics
  20. Pattern Recognition: the big picture (1/3)
  21. Pattern Recognition: the big picture (2/3)
  22. Pattern Recognition: the big picture (3/3)

04

الدعم التعليمي (بحسب خطتك)

  • مجموعات نقاش
  • مراسلة مساعد تدريس بشري لطرح الأسئلة وتلقي الإجابات
  • مساعد التدريس TA-GPT (قريبًا)

05

الكتاب المرجعي

Hastie, T., Tibshirani, R., & Friedman, J. H. (2001). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics.

06

الشهادة

تُمنح الشهادة بعد اجتياز اختبار نموذجي قصير، ويمكن إعادة المحاولة عدة مرات.