مرورگر شما از این ویدیو پشتیبانی نمی کند.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
(صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)
بارگزاری مجدد
توضیحات دوره:
یاد بگیرید که از داده های خود نمونه برداری بیش از حد و کم نمونه برداری کنید، از SMOTE، روش های گروهی و یادگیری حساس به هزینه استفاده کنید. برای حذف مشاهدات از طبقات اکثریت، کم نمونهگیری تصادفی را اعمال کنید. با حذف مشاهداتی که طبقهبندی آنها سخت است، نمونهگیری کم را انجام دهید. با حفظ مشاهدات در مرز جداسازی کلاس، نمونهگیری بیش از حد تصادفی را برای تقویت کلاس اقلیت اعمال کنید. ایجاد دادههای مصنوعی برای افزایش مثالهای کلاس اقلیت پیادهسازی SMOTE و انواع آن برای تولید مصنوعی دادهها استفاده از روشهای مجموعه با تکنیکهای نمونهگیری برای بهبود عملکرد مدل تغییر هزینه طبقهبندی از دست رفته بهینهشده توسط مدلها برای تطبیق با کلاسهای اقلیت تعیین عملکرد مدل با مناسبترین معیارها برای مجموعه دادههای نامتعادل پیش نیازها: دانش الگوریتمهای پایه یادگیری ماشین، یعنی رگرسیون، درختهای تصمیمگیری و نزدیکترین همسایگان برنامهنویسی پایتون، از جمله آشنایی با NumPy، Pandas و Scikit-learn A Python و نصب نوتبوک Jupyterبه یادگیری ماشین با مجموعه داده های نامتعادل خوش آمدید. در این دوره، تکنیک های متعددی را یاد می گیرید که می توانید با مجموعه داده های نامتعادل برای بهبود عملکرد مدل های یادگیری ماشین خود استفاده کنید.
اگر در حال حاضر با مجموعه دادههای نامتعادل کار میکنید و میخواهید عملکرد مدلهای خود را بهبود ببخشید، یا فقط میخواهید درباره نحوه مقابله با عدم تعادل داده اطلاعات بیشتری کسب کنید، این دوره به شما نشان میدهد که چگونه.
ما شما را گام به گام از طریق آموزشهای ویدیویی جذاب راهنمایی میکنیم و هر آنچه را که باید در مورد کار با مجموعه دادههای نامتعادل بدانید، به شما آموزش میدهیم. در طول این دوره جامع، تقریباً تمام روشهای موجود برای کار با مجموعه دادههای نامتعادل را پوشش میدهیم، در مورد منطق آنها، پیادهسازی آنها در پایتون، مزایا و کاستیهای آنها و ملاحظاتی که باید هنگام استفاده از این تکنیک داشته باشیم، بحث میکنیم. به طور خاص، شما یاد خواهید گرفت:
روشهای نمونهگیری به صورت تصادفی یا متمرکز بر برجسته کردن جمعیتهای نمونه خاص
روش های نمونه برداری بیش از حد به صورت تصادفی و آنهایی که نمونه های جدیدی بر اساس مشاهدات موجود ایجاد می کنند
روشهای مجموعهای که از قدرت چند زبانآموز ضعیف در ارتباط با تکنیکهای نمونهگیری برای افزایش عملکرد مدل استفاده میکنند
روش های حساس به هزینه که تصمیمات اشتباه را برای طبقات اقلیت به شدت جریمه می کند
معیارهای مناسب برای ارزیابی عملکرد مدل در مجموعه دادههای نامتعادل
در پایان دوره، میتوانید تصمیم بگیرید که کدام تکنیک برای مجموعه دادههای شما مناسب است، و/یا بهبود عملکردی را که با روشهای مختلف در مجموعههای دادههای متعدد برمیگردد اعمال و مقایسه کنید.
این دوره جامع یادگیری ماشینی شامل بیش از 50 سخنرانی است که بیش از 10 ساعت ویدئو را شامل می شود، و همه موضوعات شامل نمونه های عملی کد پایتون است که می توانید برای مرجع و تمرین و استفاده مجدد در پروژه های خود استفاده کنید.
علاوه بر این، کد بهطور مرتب بهروزرسانی میشود تا با روندهای جدید و نسخههای جدید کتابخانه پایتون همگام شود.
پس منتظر چه چیزی هستید؟ همین امروز ثبت نام کنید، یاد بگیرید که چگونه با مجموعه داده های نامتعادل کار کنید و مدل های یادگیری ماشینی بهتری بسازید.
سرفصل ها و درس ها
معرفی
Introduction
کد | نوت بوک های Jupyter
Code | Jupyter notebooks
مطالب ارائه شده در دوره
Presentations covered in the course
بسته Python Imbalanced-learn
Python package Imbalanced-learn
منابع اضافی برای یادگیری ماشین و برنامه نویسی پایتون
Additional resources for Machine Learning and Python programming
معرفی
Introduction
مروری بر برنامه درسی دوره
Course Curriculum Overview
مروری بر برنامه درسی دوره
Course Curriculum Overview
مواد درسی
Course Material
مواد درسی
Course Material
کد | نوت بوک های Jupyter
Code | Jupyter notebooks
مطالب ارائه شده در دوره
Presentations covered in the course
بسته Python Imbalanced-learn
Python package Imbalanced-learn
مجموعه داده ها را دانلود کنید
Download Datasets
مجموعه داده ها را دانلود کنید
Download Datasets
منابع اضافی برای یادگیری ماشین و برنامه نویسی پایتون
Additional resources for Machine Learning and Python programming
یادگیری ماشین با داده های نامتعادل: بررسی اجمالی
Machine Learning with Imbalanced Data: Overview
منابع خواندنی اضافی (اختیاری)
Additional Reading Resources (Optional)
یادگیری ماشین با داده های نامتعادل: بررسی اجمالی
Machine Learning with Imbalanced Data: Overview
کلاس های نامتعادل - مقدمه
Imbalanced classes - Introduction
کلاس های نامتعادل - مقدمه
Imbalanced classes - Introduction
ماهیت طبقه نامتعادل
Nature of the imbalanced class
ماهیت طبقه نامتعادل
Nature of the imbalanced class
رویکردهای کار با مجموعه داده های نامتعادل - نمای کلی
Approaches to work with imbalanced datasets - Overview
رویکردهای کار با مجموعه داده های نامتعادل - نمای کلی
Approaches to work with imbalanced datasets - Overview
منابع خواندنی اضافی (اختیاری)
Additional Reading Resources (Optional)
معیارهای ارزیابی
Evaluation Metrics
مقدمه ای بر معیارهای عملکرد
Introduction to Performance Metrics
دقت، فراخوانی و اندازه گیری F
Precision, Recall and F-measure
دقت، فراخوان و اندازه گیری F - نسخه ی نمایشی
Precision, Recall and F-measure - Demo
دقت متعادل - نسخه ی نمایشی
Balanced accuracy - Demo
میانگین هندسی، تسلط، شاخص دقت نامتعادل - نسخه نمایشی
Geometric Mean, Dominance, Index of Imbalanced Accuracy - Demo
ROC-AUC - نسخه ی نمایشی
ROC-AUC - Demo
مقایسه منحنی های ROC و PR - اختیاری
Comparison of ROC and PR curves - Optional
احتمال
Probability
متریک برای Mutliclass
Metrics for Mutliclass
منحنی های PR و ROC برای چند کلاسه
PR and ROC Curves for Multiclass
منحنی های روابط عمومی در چند کلاس - نسخه ی نمایشی
PR Curves in Multiclass - Demo
منحنی ROC در چند کلاس - نسخه ی نمایشی
ROC Curve in Multiclass - Demo
معیارهای ارزیابی
Evaluation Metrics
مقدمه ای بر معیارهای عملکرد
Introduction to Performance Metrics
دقت
Accuracy
دقت
Accuracy
دقت - نسخه ی نمایشی
Accuracy - Demo
دقت - نسخه ی نمایشی
Accuracy - Demo
دقت، فراخوانی و اندازه گیری F
Precision, Recall and F-measure
Yellowbrick را نصب کنید
Install Yellowbrick
Yellowbrick را نصب کنید
Install Yellowbrick
دقت، فراخوان و اندازه گیری F - نسخه ی نمایشی
Precision, Recall and F-measure - Demo
جداول سردرگمی، FPR و FNR
Confusion tables, FPR and FNR
جداول سردرگمی، FPR و FNR
Confusion tables, FPR and FNR
جداول سردرگمی، FPR و FNR - نسخه ی نمایشی
Confusion tables, FPR and FNR - Demo
جداول سردرگمی، FPR و FNR - نسخه ی نمایشی
Confusion tables, FPR and FNR - Demo
دقت متعادل
Balanced Accuracy
دقت متعادل
Balanced Accuracy
دقت متعادل - نسخه ی نمایشی
Balanced accuracy - Demo
میانگین هندسی، تسلط، شاخص دقت نامتعادل
Geometric Mean, Dominance, Index of Imbalanced Accuracy
میانگین هندسی، تسلط، شاخص دقت نامتعادل
Geometric Mean, Dominance, Index of Imbalanced Accuracy
میانگین هندسی، تسلط، شاخص دقت نامتعادل - نسخه نمایشی
Geometric Mean, Dominance, Index of Imbalanced Accuracy - Demo
ROC-AUC
ROC-AUC
ROC-AUC
ROC-AUC
ROC-AUC - نسخه ی نمایشی
ROC-AUC - Demo
منحنی فراخوان دقیق
Precision-Recall Curve
منحنی فراخوان دقیق
Precision-Recall Curve
منحنی فراخوان دقیق - نسخه ی نمایشی
Precision-Recall Curve - Demo
منحنی فراخوان دقیق - نسخه ی نمایشی
Precision-Recall Curve - Demo
مقایسه منحنی های ROC و PR - اختیاری
Comparison of ROC and PR curves - Optional
منابع خواندنی اضافی (اختیاری)
Additional reading resources (Optional)
منابع خواندنی اضافی (اختیاری)
Additional reading resources (Optional)
احتمال
Probability
متریک برای Mutliclass
Metrics for Mutliclass
معیارهای چند کلاسه - نسخه ی نمایشی
Metrics for Multiclass - Demo
معیارهای چند کلاسه - نسخه ی نمایشی
Metrics for Multiclass - Demo
منحنی های PR و ROC برای چند کلاسه
PR and ROC Curves for Multiclass
منحنی های روابط عمومی در چند کلاس - نسخه ی نمایشی
PR Curves in Multiclass - Demo
منحنی ROC در چند کلاس - نسخه ی نمایشی
ROC Curve in Multiclass - Demo
نمونه برداری اولیه
Udersampling
روش های نمونه گیری زیر - مقدمه
Under-Sampling Methods - Introduction
زیر نمونه گیری تصادفی - مقدمه
Random Under-Sampling - Intro
نزدیکترین همسایگان فشرده - مقدمه
Condensed Nearest Neighbours - Intro
نزدیکترین همسایگان فشرده - نسخه ی نمایشی
Condensed Nearest Neighbours - Demo
پیوندهای Tomek - نسخه ی نمایشی
Tomek Links - Demo
انتخاب یک طرفه - مقدمه
One Sided Selection - Intro
ویرایش نزدیکترین همسایگان - مقدمه
Edited Nearest Neighbours - Intro
ویرایش نزدیکترین همسایگان - نسخه ی نمایشی
Edited Nearest Neighbours - Demo
ویرایش مکرر نزدیکترین همسایگان - مقدمه
Repeated Edited Nearest Neighbours - Intro
همه KNN - نسخه ی نمایشی
All KNN - Demo
قانون تمیز کردن محله - مقدمه
Neighbourhood Cleaning Rule - Intro
قانون تمیز کردن محله - نسخه ی نمایشی
Neighbourhood Cleaning Rule - Demo
NearMiss - نسخه ی نمایشی
NearMiss - Demo
نمونه آزمایشی چند کلاسه آستانه سختی
Instance Hardness Threshold Multiclass Demo
مقایسه روش کم نمونه گیری
Undersampling Method Comparison
بسته بندی بخش
Wrapping up the section
جدول جمع بندی
Summary Table
نمونه برداری اولیه
Udersampling
روش های نمونه گیری زیر - مقدمه
Under-Sampling Methods - Introduction
زیر نمونه گیری تصادفی - مقدمه
Random Under-Sampling - Intro
زیر نمونه گیری تصادفی - نسخه ی نمایشی
Random Under-Sampling - Demo
زیر نمونه گیری تصادفی - نسخه ی نمایشی
Random Under-Sampling - Demo
نزدیکترین همسایگان فشرده - مقدمه
Condensed Nearest Neighbours - Intro
نزدیکترین همسایگان فشرده - نسخه ی نمایشی
Condensed Nearest Neighbours - Demo
پیوندهای Tomek - معرفی
Tomek Links - Intro
پیوندهای Tomek - معرفی
Tomek Links - Intro
پیوندهای Tomek - نسخه ی نمایشی
Tomek Links - Demo
انتخاب یک طرفه - مقدمه
One Sided Selection - Intro
انتخاب یک طرفه - نسخه ی نمایشی
One Sided Selection - Demo
انتخاب یک طرفه - نسخه ی نمایشی
One Sided Selection - Demo
ویرایش نزدیکترین همسایگان - مقدمه
Edited Nearest Neighbours - Intro
ویرایش نزدیکترین همسایگان - نسخه ی نمایشی
Edited Nearest Neighbours - Demo
ویرایش مکرر نزدیکترین همسایگان - مقدمه
Repeated Edited Nearest Neighbours - Intro
ویرایش مکرر نزدیکترین همسایگان - نسخه ی نمایشی
Repeated Edited Nearest Neighbours - Demo
ویرایش مکرر نزدیکترین همسایگان - نسخه ی نمایشی
Repeated Edited Nearest Neighbours - Demo
همه KNN - مقدمه
All KNN - Intro
همه KNN - مقدمه
All KNN - Intro
همه KNN - نسخه ی نمایشی
All KNN - Demo
قانون تمیز کردن محله - مقدمه
Neighbourhood Cleaning Rule - Intro
قانون تمیز کردن محله - نسخه ی نمایشی
Neighbourhood Cleaning Rule - Demo
NearMiss - معرفی
NearMiss - Intro
NearMiss - معرفی
NearMiss - Intro
NearMiss - نسخه ی نمایشی
NearMiss - Demo
سختی نمونه - مقدمه
Instance Hardness - Intro
سختی نمونه - مقدمه
Instance Hardness - Intro
آستانه سختی نمونه - نسخه ی نمایشی
Instance Hardness Threshold - Demo
آستانه سختی نمونه - نسخه ی نمایشی
Instance Hardness Threshold - Demo
نمونه آزمایشی چند کلاسه آستانه سختی
Instance Hardness Threshold Multiclass Demo
مقایسه روش کم نمونه گیری
Undersampling Method Comparison
بسته بندی بخش
Wrapping up the section
بسته بندی بخش
Wrapping up the section
راه اندازی یک طبقه بندی کننده با نمونه برداری کمتر و اعتبارسنجی متقابل
Setting up a classifier with under-sampling and cross-validation
راه اندازی یک طبقه بندی کننده با نمونه برداری کمتر و اعتبارسنجی متقابل
Setting up a classifier with under-sampling and cross-validation
جدول جمع بندی
Summary Table
نمونه برداری بیش از حد
Oversampling
ROS با صاف کردن - مقدمه
ROS with smoothing - Intro
SMOTE
SMOTE
SMOTE - نسخه ی نمایشی
SMOTE - Demo
SMOTE-NC
SMOTE-NC
ADASYN
ADASYN
SMOTE مرزی
Borderline SMOTE
SVM SMOTE
SVM SMOTE
منابع در SVM ها
Resources on SVMs
K-Means SMOTE
K-Means SMOTE
بسته بندی بخش
Wrapping up the section
نحوه صحیح تنظیم یک طبقه بندی کننده با نمونه برداری بیش از حد
How to Correctly Set Up a Classifier with Over-sampling
راه اندازی یک طبقه بندی کننده - نسخه ی نمایشی
Setting Up a Classifier - Demo
جدول جمع بندی
Summary Table
نمونه برداری بیش از حد
Oversampling
روش های نمونه گیری بیش از حد - مقدمه
Over-Sampling Methods - Introduction
روش های نمونه گیری بیش از حد - مقدمه
Over-Sampling Methods - Introduction
نمونه گیری بیش از حد تصادفی
Random Over-Sampling
نمونه گیری بیش از حد تصادفی
Random Over-Sampling
نمونه برداری تصادفی بیش از حد - نسخه ی نمایشی
Random Over-Sampling - Demo
نمونه برداری تصادفی بیش از حد - نسخه ی نمایشی
Random Over-Sampling - Demo
ROS با صاف کردن - مقدمه
ROS with smoothing - Intro
ROS با صاف کردن - نسخه ی نمایشی
ROS with smoothing - Demo
ROS با صاف کردن - نسخه ی نمایشی
ROS with smoothing - Demo
SMOTE
SMOTE
SMOTE - نسخه ی نمایشی
SMOTE - Demo
SMOTE-NC
SMOTE-NC
SMOTE-NC - نسخه ی نمایشی
SMOTE-NC - Demo
SMOTE-NC - نسخه ی نمایشی
SMOTE-NC - Demo
SMOTE-N
SMOTE-N
SMOTE-N
SMOTE-N
نسخه ی نمایشی SMOTE-N
SMOTE-N Demo
نسخه ی نمایشی SMOTE-N
SMOTE-N Demo
ADASYN
ADASYN
ADASYN - نسخه ی نمایشی
ADASYN - Demo
ADASYN - نسخه ی نمایشی
ADASYN - Demo
SMOTE مرزی
Borderline SMOTE
مرزی SMOTE - نسخه ی نمایشی
Borderline SMOTE - Demo
مرزی SMOTE - نسخه ی نمایشی
Borderline SMOTE - Demo
SVM SMOTE
SVM SMOTE
منابع در SVM ها
Resources on SVMs
SVM SMOTE - نسخه ی نمایشی
SVM SMOTE - Demo
SVM SMOTE - نسخه ی نمایشی
SVM SMOTE - Demo
K-Means SMOTE
K-Means SMOTE
K-Means SMOTE - نسخه ی نمایشی
K-Means SMOTE - Demo
K-Means SMOTE - نسخه ی نمایشی
K-Means SMOTE - Demo
مقایسه روش نمونه گیری بیش از حد
Over-Sampling Method Comparison
مقایسه روش نمونه گیری بیش از حد
Over-Sampling Method Comparison
بسته بندی بخش
Wrapping up the section
بسته بندی بخش
Wrapping up the section
نحوه صحیح تنظیم یک طبقه بندی کننده با نمونه برداری بیش از حد
How to Correctly Set Up a Classifier with Over-sampling
راه اندازی یک طبقه بندی کننده - نسخه ی نمایشی
Setting Up a Classifier - Demo
جدول جمع بندی
Summary Table
بیش و کم نمونه گیری
Over and Undersampling
ترکیب بیش از حد و کمتر از نمونه - مقدمه
Combining Over and Under-sampling - Intro
مقایسه روش های نمونه گیری بیش از حد و کم نمونه
Comparison of Over and Under-sampling Methods
نمونه برداری بیش از حد و کم نمونه را به صورت دستی ترکیب کنید
Combine over and under-sampling manually
بسته شدن
Wrapping up
بیش و کم نمونه گیری
Over and Undersampling
ترکیب بیش از حد و کمتر از نمونه - مقدمه
Combining Over and Under-sampling - Intro
ترکیب بیش از و کمتر نمونه - نسخه ی نمایشی
Combining Over and Under-sampling - Demo
ترکیب بیش از و کمتر نمونه - نسخه ی نمایشی
Combining Over and Under-sampling - Demo
مقایسه روش های نمونه گیری بیش از حد و کم نمونه
Comparison of Over and Under-sampling Methods
نمونه برداری بیش از حد و کم نمونه را به صورت دستی ترکیب کنید
Combine over and under-sampling manually
بسته شدن
Wrapping up
روش های گروه
Ensemble Methods
روش های مجموعه ای با داده های نامتعادل
Ensemble methods with Imbalanced Data
مبانی یادگیری گروهی
Foundations of Ensemble Learning
کوله بری
Bagging
روش های ترکیبی
Hybdrid Methods
روش های گروه - نسخه ی نمایشی
Ensemble Methods - Demo
بسته شدن
Wrapping up
منابع خواندنی اضافی
Additional Reading Resources
روش های گروه
Ensemble Methods
روش های مجموعه ای با داده های نامتعادل
Ensemble methods with Imbalanced Data
مبانی یادگیری گروهی
Foundations of Ensemble Learning
کوله بری
Bagging
بسته بندی به اضافه نمونه برداری بیش از حد یا کمتر
Bagging plus Over- or Under-Sampling
بسته بندی به اضافه نمونه برداری بیش از حد یا کمتر
Bagging plus Over- or Under-Sampling
افزایش
Boosting
افزایش
Boosting
تقویت به علاوه نمونه برداری مجدد
Boosting plus Re-Sampling
تقویت به علاوه نمونه برداری مجدد
Boosting plus Re-Sampling
روش های ترکیبی
Hybdrid Methods
روش های گروه - نسخه ی نمایشی
Ensemble Methods - Demo
بسته شدن
Wrapping up
منابع خواندنی اضافی
Additional Reading Resources
یادگیری حساس به هزینه
Cost Sensitive Learning
انواع هزینه
Types of Cost
هزینه طبقه بندی اشتباه در رگرسیون لجستیک
Misclassification Cost in Logistic Regression
یادگیری حساس به هزینه با Scikit-learn
Cost Sensitive Learning with Scikit-learn
با تنظیم هایپرپارامتر، هزینه بهینه را پیدا کنید
Find Optimal Cost with hyperparameter tuning
ریسک شرطی بیز
Bayes Conditional Risk
MetaCost - نسخه ی نمایشی
MetaCost - Demo
یادگیری حساس به هزینه
Cost Sensitive Learning
یادگیری حساس به هزینه - مقدمه
Cost-sensitive Learning - Intro
یادگیری حساس به هزینه - مقدمه
Cost-sensitive Learning - Intro
انواع هزینه
Types of Cost
به دست آوردن هزینه
Obtaining the Cost
به دست آوردن هزینه
Obtaining the Cost
رویکردهای حساس به هزینه
Cost Sensitive Approaches
رویکردهای حساس به هزینه
Cost Sensitive Approaches
هزینه طبقه بندی اشتباه در رگرسیون لجستیک
Misclassification Cost in Logistic Regression
هزینه طبقه بندی اشتباه در درختان تصمیم
Misclassification Cost in Decision Trees
هزینه طبقه بندی اشتباه در درختان تصمیم
Misclassification Cost in Decision Trees
یادگیری حساس به هزینه با Scikit-learn
Cost Sensitive Learning with Scikit-learn
با تنظیم هایپرپارامتر، هزینه بهینه را پیدا کنید
Find Optimal Cost with hyperparameter tuning
ریسک شرطی بیز
Bayes Conditional Risk
متاکاست
MetaCost
متاکاست
MetaCost
MetaCost - نسخه ی نمایشی
MetaCost - Demo
اختیاری: کد پایه MetaCost
Optional: MetaCost Base Code
اختیاری: کد پایه MetaCost
Optional: MetaCost Base Code
منابع خواندنی اضافی
Additional Reading Resources
منابع خواندنی اضافی
Additional Reading Resources
کالیبراسیون احتمال
Probability Calibration
کالیبراسیون احتمال
Probability Calibration
منحنی های کالیبراسیون احتمال - نسخه ی نمایشی
Probability Calibration Curves - Demo
امتیاز بریر
Brier Score
امتیاز Brier - نسخه ی نمایشی
Brier Score - Demo
کم و بیش نمونه گیری و یادگیری حساس به هزینه در کالیبراسیون احتمال
Under- and Over-sampling and Cost-sensitive learning on Probability Calibration
کالیبره کردن یک طبقه بندی کننده
Calibrating a Classifier
کالیبره کردن یک طبقه بندی کننده - نسخه ی نمایشی
Calibrating a Classifier - Demo
احتمال: منابع خواندنی اضافی
Probability: Additional reading resources
کالیبراسیون احتمال
Probability Calibration
کالیبراسیون احتمال
Probability Calibration
منحنی های کالیبراسیون احتمال
Probability Calibration Curves
منحنی های کالیبراسیون احتمال
Probability Calibration Curves
منحنی های کالیبراسیون احتمال - نسخه ی نمایشی
Probability Calibration Curves - Demo
امتیاز بریر
Brier Score
امتیاز Brier - نسخه ی نمایشی
Brier Score - Demo
کم و بیش نمونه گیری و یادگیری حساس به هزینه در کالیبراسیون احتمال
Under- and Over-sampling and Cost-sensitive learning on Probability Calibration
کالیبره کردن یک طبقه بندی کننده
Calibrating a Classifier
کالیبره کردن یک طبقه بندی کننده - نسخه ی نمایشی
Calibrating a Classifier - Demo
کالیبره کردن یک Classfiier پس از SMOTE یا نمونه برداری کمتر
Calibrating a Classfiier after SMOTE or Under-sampling
کالیبره کردن یک Classfiier پس از SMOTE یا نمونه برداری کمتر
Calibrating a Classfiier after SMOTE or Under-sampling
کالیبره کردن یک طبقهبندی کننده با یادگیری حساس به هزینه
Calibrating a Classifier with Cost-sensitive Learning
کالیبره کردن یک طبقهبندی کننده با یادگیری حساس به هزینه
Calibrating a Classifier with Cost-sensitive Learning
احتمال: منابع خواندنی اضافی
Probability: Additional reading resources
همه اش را بگذار کنار هم
Putting it all together
همه اش را بگذار کنار هم
Putting it all together
مثال ها
Examples
مثال ها
Examples
مراحل بعدی
Next steps
تبریک می گویم
Congratulations
مراحل بعدی
Next steps
به دوره بعدی رای دهید
Vote for the next course!
به دوره بعدی رای دهید
Vote for the next course!
تبریک می گویم
Congratulations
سخنرانی پاداش
Bonus Lecture
سخنرانی پاداش
Bonus Lecture
Udemy (یودمی) یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات