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

  • تکنیک های اعتبارسنجی متقابل Cross Validation Techniques

  • تکنیک های یادگیری گروه Ensemble Learning Techniques

نمایش نظرات

جلوگیری از نصب بیش از حد در آموزش مدل
جزییات دوره
0h 33m
7
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Saravanan Dhandapani Saravanan Dhandapani

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.