آموزش اعتبارسنجی و تبیین مدل‌های یادگیری ماشین (ML) - آخرین آپدیت

دانلود Validate and Explain Your ML Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره کوتاه به شما کمک می‌کند تا مدل‌های یادگیری ماشین خود را با اطمینان کامل اعتبارسنجی کرده و تحلیل کنید. شما استراتژی‌های کاربردی برای استفاده از k-fold cross-validation و نمونه‌برداری طبقه‌بندی شده (Stratified Sampling) را می‌آموزید تا عملکرد مدل را به‌ویژه در مواجهه با داده‌های نامتوازن، با دقت بیشتری تخمین بزنید. همچنین تکنیک‌های اهمیت ویژگی‌ها (Feature Importance)، از جمله SHAP را بررسی خواهید کرد تا درک کنید مدل شما چگونه رفتار می‌کند و چگونه تصمیمات آن را به‌وضوح برای مخاطبان فنی و غیرفنی تبیین کنید. از طریق ویدیوهای آموزشی، متون کوتاه و فعالیت‌های عملی، توانایی خود را در ارزیابی مدل‌ها فراتر از یک امتیاز دقت ساده تقویت می‌کنید. در پایان این دوره، شما قادر خواهید بود استراتژی اعتبارسنجی مناسب را انتخاب کنید، توضیحات مدل را تفسیر نمایید و بینش‌هایی را ارائه دهید که از استقرار مسئولانه مدل در دامنه‌های واقعی مانند تشخیص کلاهبرداری و تایید وام‌ها پشتیبانی کند.

سرفصل ها و درس ها

اعتبارسنجی و تبیین مدل‌های یادگیری ماشین Validate and Explain Your ML Models

  • خوش‌آمدگویی و اهمیت اعتبارسنجی مدل Welcome and Why Model Validation Matters

  • درک مفهوم K-Fold Cross Validation Understanding K-Fold Cross-Validation

  • پیاده‌سازی StratifiedKFold در scikit-learn Implementing StratifiedKFold in scikit-learn

  • چرا تبیین‌پذیری مدل اهمیت دارد؟ Why Model Explainability Matters

  • اهمیت ویژگی‌ها: دیدگاه‌های کلی و محلی Feature Importance: Global and Local Views

  • تولید نمودارهای خلاصه SHAP Generating SHAP Summary Plots

  • تبریک و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey

نمایش نظرات

آموزش اعتبارسنجی و تبیین مدل‌های یادگیری ماشین (ML)
جزییات دوره
2h 30m
7
(آخرین آپدیت)
33
- 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