لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
جلوگیری از نصب بیش از حد در آموزش مدل
Prevent Overfitting in Model Training
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
برازش بیش از حد می تواند اثرات نامطلوب قابل توجهی بر عملکرد و توانایی تعمیم یک مدل یادگیری ماشین داشته باشد. این دوره به شما تکنیکهای مختلفی را برای غلبه بر این مشکل و ایجاد مدلی میآموزد که روی دادههای دیده نشده به خوبی عمل میکند. تطبیق بیشازحد زمانی اتفاق میافتد که یک مدل یادگیری ماشینی دادههای آموزشی را با دقت یاد میگیرد، نویز را به عنوان سیگنال تفسیر میکند، که از تعمیم مدل با جدید جلوگیری میکند. داده ها. در این دوره آموزشی با عنوان Prevent Overfitting in Model Training، توانایی درک علل اضافه برازش و یادگیری استراتژی های مختلف برای کاهش خطرات آن را به دست خواهید آورد. ابتدا، بررسی خواهید کرد که تطبیق بیش از حد چیست، علل آن و تأثیرات آن بر مدل یادگیری ماشینی. در مرحله بعد، استراتژی هایی مانند منظم سازی برای ساده سازی یک مدل پیچیده و افزایش داده ها برای تنوع بخشیدن به داده های آموزشی را یاد خواهید گرفت. در نهایت، نحوه استفاده از تکنیکهای اعتبارسنجی متقابل را در حین کار با مجموعه دادههای نامتعادل و روشهای مجموعه برای بهبود استحکام مدل، یاد خواهید گرفت. پس از اتمام این دوره، مهارت ها و دانش لازم برای جلوگیری از مشکل بیش از حد مورد نیاز برای توسعه یک مدل یادگیری ماشینی با کارایی بالا را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک Overfitting
Understanding Overfitting
علل و اثرات بیش از حد برازش
Causes and Impacts of Overfitting
تشخیص بیش از حد برازش در یک مدل ML
Detect Overfitting in an ML Model
استفاده از تکنیک های منظم سازی و افزایش داده ها
Using Regularization and Data Augmentation Techniques
تکنیک های منظم سازی
Regularization Techniques
تکنیک های افزایش داده ها
Data Augmentation Techniques
با استفاده از روشهای اعتبارسنجی متقاطع و روشهای گروهی
Using Cross Validation and Ensemble Methods Techniques
من بیش از یک دهه است که در برخی از 100 شرکت برتر ثروتمند در زمینه طراحی ، توسعه و معماری فناوری اطلاعات کار می کنم. من درگیر تنظیم دقیق فرآیند تحویل نرم افزار ، بهبود عملکرد و توسعه نرم افزار مقیاس پذیر و قابل حمل بوده ام. برخی از مناطق کلیدی که در آنها کار کرده ام عبارتند از جاوا ، ESB ، تامکت ، ReactJS ، جاوا اسکریپت ، لینوکس ، اوراکل ، SVN ، GIT و غیره.
نمایش نظرات