آموزش ارزیابی، تحلیل و مدل‌سازی عملکرد - آخرین آپدیت

دانلود Evaluate, Analyze, and Model Performance

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: در دنیای واقعی یادگیری ماشین، ساخت یک مدل تنها نیمی از مسیر است. دانستن اینکه چگونه آن را ارزیابی کنید، نقاط ضعفش را توضیح دهید و بهبودها را توجیه کنید، همان چیزی است که باعث اعتماد به نتایج کار شما می‌شود. در این دوره، شما یاد می‌گیرید که چگونه مدل‌های رگرسیون و طبقه‌بندی (Classification) را با استفاده از معیارهای مناسب ارزیابی کنید، نقاط شکست سیستماتیک مدل‌ها را شناسایی کرده و تشخیص دهید که آیا تفاوت‌ها در عملکرد واقعاً حائز اهمیت هستند یا خیر. شما تمرین خواهید کرد که چگونه از RMSE و MAE برای گزارش مدل‌های قیمت مسکن استفاده کنید، ماتریس‌های اغتشاش (Confusion Matrices) را برای کشف الگوهای مثبت کاذب در فیلترهای اسپم تحلیل کنید و از روش بوت‌استرپینگ (Bootstrapping) برای تست معناداری آماری بهبودهای AUC بهره ببرید. از طریق ویدیوهای کوتاه، گفتگوهای هدایت‌شده، فعالیت‌های عملی و آزمایشگاه‌های آموزشی، اعتماد به نفس لازم برای تفسیر عملکرد مدل را به روشی که در تیم‌های واقعی اجرا می‌شود، کسب خواهید کرد. در پایان این دوره، قادر خواهید بود انتخاب‌های ارزیابی خود را توجیه کرده و تصمیماتی مبتنی بر شواهد برای مدل خود بگیرید.

سرفصل ها و درس ها

ارزیابی، تحلیل و مدل‌سازی عملکرد Evaluate, Analyze, and Model Performance

چرا معیارها در ارزیابی مدل اهمیت دارند؟ Why Metrics Matter in Model Evaluation?
مقایسه RMSE و MAE برای مدل‌های رگرسیون RMSE vs. MAE for Regression Models
بررسی دقیق ماتریس اغتشاش (Confusion Matrix) Looking Inside the Confusion Matrix
نمودارهای باقی‌مانده برای تشخیص خطاهای رگرسیون Residual Plots for Regression Diagnostics
چرا معناداری آماری در مقایسه مدل‌ها مهم است؟ Why Statistical Significance Matters in Model Comparison
آموزش گام‌به‌گام بوت‌استرپینگ معیارها Bootstrapping Metrics Step by Step
تبریک و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey