لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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