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

آموزش ارزیابی مدل‌های طبقه‌بندی یادگیری ماشین - آخرین آپدیت

دانلود Evaluating Machine Learning Classification Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: با استفاده از اصول و دستورالعمل‌های استاندارد ISO/IEC TS 4213:2022، بیاموزید که چگونه مدل‌های طبقه‌بندی یادگیری ماشین را با اطمینان کامل ارزیابی کنید. این دوره شما را از مرحله توسعه مدل فراتر برده و بر مهم‌ترین مسئله تمرکز می‌کند: تعیین اینکه آیا یک طبقه‌بند (Classifier) دقیق، قابل اعتماد، کارآمد و مناسب برای هدف مورد نظر هست یا خیر. با بهره‌گیری از کاربردهای واقعی هوش مصنوعی، شما فرآیند کامل ارزیابی طبقه‌بندی را بررسی خواهید کرد؛ از درک کیفیت داده‌ها، سوگیری (Bias) و طراحی ارزیابی گرفته تا انتخاب و تفسیر مناسب‌ترین معیارهای عملکرد. شما خواهید آموخت که چگونه مدل‌های طبقه‌بندی دوتایی (Binary)، چندکلاسه (Multi-class) و چندبرچسبی (Multi-label) را با استفاده از معیارهایی مانند Accuracy، Precision، Recall، F-scores، منحنی‌های ROC و Precision-Recall، AUROC، AUPRC، Hamming Loss، شاخص Jaccard و واگرایی Kullback-Leibler ارزیابی کنید. این دوره همچنین ملاحظات عملیاتی از جمله تأخیر (Latency)، نرخ پردازش (Throughput)، کارایی محاسباتی و مصرف انرژی و همچنین تکنیک‌های آماری برای مقایسه عملکرد مدل‌ها و اعتبارسنجی نتایج را بررسی می‌کند. آنچه این دوره را منحصر‌به‌فرد می‌کند، رویکرد استاندارد-محور آن است که روش‌های ارزیابی فنی، معیارهای عملکرد عملیاتی و تست‌های معناداری آماری را در یک چارچوب کاربردی واحد ترکیب می‌کند. در پایان این دوره، شما قادر خواهید بود طبقه‌بندها را به صورت دقیق ارزیابی کنید، مدل‌های رقیب را به طور عینی مقایسه نمایید و نتایج عملکرد را با اعتمادبه‌نفس و اعتبار بیشتر گزارش کنید.
سرفصل ها و درس ها

مبانی طبقه‌بندی و گردش‌کار ارزیابی Classification foundations and assessment workflow

  • ارزیابی مدل‌های طبقه‌بندی یادگیری ماشین (ISO/IEC TS 4213:2022) Evaluating Machine Learning Classification Models (ISO/IEC TS 4213:2022)

  • فرآیند ارزیابی عملکرد طبقه‌بندی Process to evaluate classification performance

طراحی ارزیابی معتبر و معیارهای کنترلی Valid evaluation design and control criteria

معیارهای عملکرد و تفسیر آن‌ها Performance metrics and interpretation

  • امتیاز F1، امتیاز F Beta و واگرایی Kullback Leibler F1 score, F-Beta score and the Kullback-Leibler divergence

معیارهای عملکرد طبقه‌بندی Classification performance metrics

معیارهای عملکرد عملیاتی Operational performance metrics

  • مصرف انرژی Energy consumption

تست‌های آماری و گزارش‌دهی Statistical tests and reporting

  • تست رتبه‌های علامت‌دار ویلکاکسون و تست دقیق فیشر Wilcoxon signed-ranks test and Fisher's exact test

  • مدیریت مقایسه‌های متعدد Accommodating multiple comparisons

نمایش نظرات

آموزش ارزیابی مدل‌های طبقه‌بندی یادگیری ماشین
جزییات دوره
4h 2m
6
(آخرین آپدیت)
14
- از 5
دارد
دارد
دارد

https://donyad.com/d/a34279

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

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Performance Analysis Statistical Methods Machine Learning Data Quality Probability & Statistics Applied Machine Learning Technical Communication Test Data Data Ethics Performance Testing Supervised Learning Statistical Reporting Verification And Validation Statistical Hypothesis Testing Artificial Intelligence Data Validation Statistical Analysis Artificial Intelligence and Machine Learning (AI/ML) تحلیل عملکرد روش‌های آماری یادگیری ماشین کیفیت داده‌ها احتمال و آمار یادگیری ماشین کاربردی ارتباطات فنی داده‌های تست اخلاق در داده‌ها تست عملکرد یادگیری نظارت شده گزارش‌دهی آماری تایید و صحت‌سنجی تست فرضیه آماری هوش مصنوعی اعتبارسنجی داده‌ها تحلیل آماری هوش مصنوعی و یادگیری ماشین (AI/ML)