نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این بحث، در مورد فرآیند ساخت یک مدل یادگیری ماشین (ML) در دنیای واقعی، چگونه و زمانی که تمرینکنندگان از تجسم استفاده می کنند تا انتخاب های موثرتر را استفاده کنند، و ملاحظات را برای ابزار تجسم ML استفاده می کنند. نمایندگی از داده ها چگونه تمرینکنندگان یادگیری ماشین را بررسی می کنند فکر کنید، درک کنید و تصمیم بگیرید قبل از اینکه نمودارها برای ارتباطات بیرونی در مورد یک سیستم ML استفاده شوند، آنها توسط طراحان سیستم و اپراتورهای خود به عنوان یک ابزار برای انتخاب بهتر مدل سازی استفاده می شود. تمرینکنندگان از تجسم استفاده می کنند، از گرافیک آماری بسیار آشنا به قطعه های خلاق و کمتر استاندارد، در نقاط مهم ترین تصمیمات انسانی زمانی که راه های دیگر برای اعتبار این تصمیمات می تواند دشوار باشد. رویکردهای تجسم برای درک هر دو داده ای که به عنوان ورودی برای یادگیری ماشین و مدل هایی که تمرینکنندگان ایجاد می کنند استفاده می شود. در این بحث، در مورد فرآیند ساخت یک مدل ML در دنیای واقعی، چگونه و زمانی که تمرینکنندگان از تجسم استفاده می کنند، برای انتخاب های موثر تر و ملاحظات برای ابزار تجسم ML استفاده کنید.
سرفصل ها و درس ها
تجسم داده ها برای تمرین کنندگان یادگیری ماشین
Data Visualization for Machine Learning Practitioners
-
تجسم داده ها برای تمرین کنندگان یادگیری ماشین
Data Visualization for Machine Learning Practitioners
نمایش نظرات