کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش توضیح‌پذیری مدل‌های طبقه‌بندی (Classification Model Explainability) - آخرین آپدیت

دانلود Classification Model Explainability

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: درک دلیل پیش‌بینی‌های یک مدل طبقه‌بندی برای شناسایی نتایج غیرقابل اعتماد، ایجاد اعتماد، بهبود عملکرد و اتخاذ تصمیمات تجاری آگاهانه ضروری است. در این دوره آموزشی با عنوان «توضیح‌پذیری مدل‌های طبقه‌بندی»، شما یاد می‌گیرید که چگونه رفتار مدل‌های طبقه‌بندی را با اطمینان تفسیر کرده و تحلیل کنید. ابتدا، نحوه شناسایی عدم تعادل کلاس‌ها (Class Imbalance) و تأثیر آن بر پیش‌بینی‌های مدل را با استفاده از ابزارهایی مانند ماتریس اغتشاش (Confusion Matrix) بررسی خواهید کرد. سپس، می‌آموزید که کدام مدل‌ها اهمیت ویژگی‌های داخلی (Built-in Feature Importance) را ارائه می‌دهند و چگونه خروجی‌های آن‌ها را تفسیر کنید. در نهایت، نحوه به‌کارگیری روش‌های پیشرفته تعیین اهمیت مانند Gini و Permutation را فرا گرفته و رفتار مدل‌های گروهی (Ensemble Models) مانند Random Forests و XGBoost را تحلیل خواهید کرد. در پایان این دوره، شما مهارت‌ها و دانش لازم برای ارزیابی، تفسیر و انتقال مؤثر تصمیمات مدل در پروژه‌های واقعی را به دست خواهید آورد.
سرفصل ها و درس ها

فراتر از دقت: کالبدشکافی پیش‌بینی‌های مدل Beyond Accuracy: Unpacking Model Predictions

  • چرا دقت فریب می‌دهد: ایجاد اعتماد در مدل‌های یادگیری ماشین Why Accuracy Lies: Building Trust in ML Models

  • نقطه کور اقلیت: مقابله با عدم تعادل کلاس‌ها The Minority Blindspot: Tackling Class Imbalance

  • رمزگشایی ماتریس اغتشاش: دقت، فراخوانی و بیشتر Cracking the Confusion Matrix: Precision, Recall, and More

  • از ماتریس تا معنا: تفسیر مدل شما در پایتون From Matrix to Meaning: Interpreting Your Model in Python

رمزگشایی تصمیمات: درک عوامل اثرگذار بر ویژگی‌ها Decoding Decisions: Understanding Feature Drivers

  • چه چیزی واقعاً مدل شما را هدایت می‌کند؟ کشف ویژگی‌های کلیدی What Really Drives Your Model? Discovering Key Features

  • خواندن ذهن‌های ساده‌تر: تفسیر ضرایب و درخت‌های تصمیم Reading Simpler Minds: Interpreting Coefficients and Trees

  • دمو: تفسیر ضرایب Demo: Interpreting Coefficients

  • درون جنگل: اندازه‌گیری قدرت ویژگی‌ها با روش Gini Inside the Forest: Measuring Feature Power with Gini

  • اهمیت جایگشتی (Permutation Importance): استانداردی مستحکم Permutation Importance: The Robust Standard

آموزش تفسیرپذیری مدل‌های یادگیری عمیق (Deep Learning Model Explainability)

آموزش تفسیرپذیری مدل‌های یادگیری عمیق (Deep Learning Model Explainability)

دانلود Deep Learning Model Explainability

آموزش تفسیرپذیری مدل‌های رگرسیون

آموزش تفسیرپذیری مدل‌های رگرسیون

دانلود Regression Model Explainability

آموزش توضیح‌پذیری مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عامل‌محور

آموزش توضیح‌پذیری مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عامل‌محور

دانلود Large Language Model and Agentic AI Explainability

نمایش نظرات

آموزش توضیح‌پذیری مدل‌های طبقه‌بندی (Classification Model Explainability)
جزییات دوره
41m
9
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Marc Harb

https://donyad.com/d/e9e5b5

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Marc Harb Marc Harb

مارک یک دانشمند ارشد داده با پایه‌ای قوی در مهندسی ارتباطات و کامپیوتر است و مدرک کارشناسی ارشد در زمینه هوش مصنوعی و یادگیری عمیق را از یکی از دانشگاه‌های پیشرو فرانسه دریافت کرده است. مسیر شغلی او بر پایه اشتیاق عمیق به علوم داده و هوش مصنوعی است و تخصص فنی خود را با تفکر نوآورانه ترکیب می‌کند تا راهکارهای اثرگذاری ارائه دهد. او از پتانسیل تحول‌آفرین علوم داده و هوش مصنوعی برای انقلاب در صنایع و بهبود کیفیت زندگی الهام گرفته است. مارک متعهد به کشف بینش‌های معنادار، توسعه سیستم‌های هوشمند و خلق راهکارهای نوآورانه برای مقابله با چالش‌های دنیای واقعی است.

Deep learning Ethical AI یادگیری عمیق هوش مصنوعی اخلاق‌مدار