📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

در یادگیری و تدریس یادگیری ماشین همیشه برام مهم بوده که به جای اینکه فقط یاد بگیرم چطور یک الگوریتم را با یک تابع آماده اجرا کنم، ابتدا ریاضیات و منطق آن را درک کنم و حداقل یک‌بار از صفر پیاده‌سازی‌اش کنم و بعد سراغ ابزارهای آماده بروم.
این روش کمک می‌کند شناخت عمیق‌تری از الگوریتم، پارامترها و روش‌های بهینه‌سازی آن داشته باشم و در صورت نیاز، بتوانم الگوریتم را تغییر داده یا توسعه بدهم. در دوره جامع یادگیری ماشین هم همین رویکرد را دنبال کردیم که در نهایت به یک دوره ۸ فصلی و ۱۴۰ ساعته شد.

https://onlinebme.com/product-category/machine-learning

☑️حالا بخشی از کدهایی طی سالها روی پروژه‌های مختلف پیاده‌سازی کرده‌ام را در قالب یک Repository در GitHub قرار داده‌ام.

☑️این کدها نتیجه سال‌ها مطالعه و آموزش من در زمینه یادگیری ماشین و شناسایی الگو هستند و حالا سعی کرده‌ام مجموعه‌ای از پیاده‌سازی‌های انجام‌شده، به همراه پروژه‌های عملی، را در یک Repository یکجا جمع‌آوری کنم.

💡 هدفم از آماده‌کردن این Repository این بوده که پیاده‌سازی الگوریتم‌ها در کنار پروژه‌های واقعی، در یک مجموعه جامع در دسترس باشد تا بتوان از طریق کد، نحوه کار الگوریتم‌ها را بهتر درک کرد و با آن‌ها کار کرد.

🔹 Classification & Regression
Naive Bayes, Maximum Likelihood, Euclidean , Mahalanobis, KNN, WKNN, SVM, SVR
🔹 Ensemble Learning
Voting, Stacking, AdaBoost, Bootstrap Bagging
🔹 Dimensionality Reduction
PCA , LDA
🔹 Clustering
K-Means, Fuzzy C-Means , G-Means

💡 در کنار این الگوریتم‌ها، پروژه‌های عملی متنوعی هم در Repository قرار گرفته‌اند؛ از طبقه‌بندی داده‌های Iris و سرطان سینه گرفته تا پیش‌بینی کیفیت هوا، تخمین زاویه مفصل از سیگنال‌های sEMG، Spike Sorting سیگنال‌های عصبی و استخراج تومور از تصاویر پزشکی.

🔗 GitHub Repository:
https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
📖 توضیحات و معرفی کامل‌تر:
https://onlinebme.com/machine-learning-algorithms-implemented-from-scratch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme