| 1 |
مقدمهای بر یادگیری ماشین آماری |
|
| 2 |
مبانی نظریه تصمیمگیری بیزی |
|
| 3 |
توابع متمایزگر و معرفی فاصله ماهالانوبیس |
|
| 4 |
مدلسازی کلاسها با توزیع نرمال |
|
| 5 |
طبقهبندهای نرمال و موارد خاص (۱) |
|
| 6 |
طبقهبندهای نرمال و موارد خاص (۲) |
|
| 7 |
برآورد درستنمایی بیشینه |
|
| 8 |
آزمون |
|
| 9 |
تحلیل مؤلفههای اصلی |
|
| 10 |
متمایزگر خطی فیشر و تحلیل چندمتغیره |
|
| 11 |
مدلهای مخلوط گاوسی و الگوریتم EM |
|
| 12 |
توابع متمایزگر خطی و سطحهای تصمیم |
|
| 13 |
روشهای کمترین مربعات برای طبقهبندی خطی |
|
| 14 |
نگاشت ویژگیهای غیرخطی و توابع پایه |
|
| 15 |
ترفند کرنل و طبقهبندی غیرخطی |
|
| 16 |
رگرسیون کرنل |
|
| 17 |
مدلهای خطی پیشرفته برای رگرسیون |
|
| 18 |
مدلهای مخفی مارکوف |
|
| 19 |
الگوریتمهای ارزیابی و رمزگشایی در HMM |
|
| 20 |
یادگیری مدلهای مارکوف پنهان |
|
| 21 |
انتخاب، ارزیابی و مقایسه مدلها |
|
| 22 |
بهینهسازی تنک و الگوریتم OMP |
|
| 23 |
ارائههای دانشجویان |
|
| 24 |
ارائههای دانشجویان |
|
| 25 |
ارائههای دانشجویان |
|