شناسایی الگو: روشها و پارامترهای ارزیابی مدلهای یادگیری ماشین(فصل سوم)

دسته:پکیج‌های آموزشی, متلب, یادگیری ماشین
0 دیدگاه

در فصل دوم دوره جامع شناسایی الگو-یادگیری ماشین، روشها و پارامترهای ارزیابی را آموزش میدهیم. در این فصل روشهایی از قبیل k-fold cross validation و the hold out method, random subsampling , leave one out را آموزش داده و مرحله به مرحله پیاده سازی میکنیم. همچین در این فصل نحوه محاسبه پارامترهای ارزیابی از قبیل ماتریس کانفیوژن، accuracy, sensitivity و specificity را آموزش می‌دهیم. تمرکز ما در دوره جامع شناسایی الگو بر روی سه موضوع هست: آموزش تئوری و مباحث ریاضیاتی، پیاده‌سازی گام به گام، پروژه عملی

سرفصل مطالب

پارامترهای ارزیابی

مراحل انجام یک پروژه‌ی استاندارد
نحوه محاسبه پارامترهای ارزیابی مسائل دو کلاسه(دقت، حساسیت، اختصاصیت) در متلب
ماتریس کانفیوژن
نحوه محاسبه پارامترهای ارزیابی برای مسائل دو کلاسه و چندکلاسه

روشهای ارزیابی یک مدل یادگیری ماشین

نحوه انتخاب یک مدل بهینه(model selection) توسط روش Cross validation
ارزیابی مدل با روش ارزیابی the hold out method
ارزیابی مدل با روش ارزیابی k-fold cross validation
ارزیابی مدل با روش ارزیابی random sub-sampling

توجه: برای درک بهتر روشهای ذکر شده، یک پروژه عملی انجام داده‌ایم و روشهای ذکر شده را با یک مثال عملی آموزش داده‌ایم. عنوان پروژه: تشخیص نوع گل زنبق(iris) با استفاده از کلاسبند بیزین

روال آموزشی مدرس دوره:

در ابتدا تئوری تمامی مباحث طبق یک مرجع معتبر آموزش داده می‌شود.
سپس یک الگوریتم خلاصه شده برای پیاده‌سازی الگوریتم مورد نظر نوشته می شود.
سپس به صورت مرحله به مرحله در متلب الگوریتم ها پیاده‌سازی می شوند.
و سپس یک مثال عملی بسیار ساده جهت درک بهتر عملکرد الگوریتم انجام می شود
و در نهایت چندین پروژه‌ی عملی با کمک الگوریتمهای پیاده سازی شده انجام می‌شود تا کاربر چالش واقعی انجام پروژه آشنا شود و همچنین بتواند از پروژه‌های انجام شده برای پروژه‌های درسی و پایان نامه استفاده کند.