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


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

  1. 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
  1. 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.
 

جهت دریافت  پکیج آموزشی فصلهای 1-4 به صورت یکجا به لینک زیر مراجعه کنید.

پکیج جامع فصل های اول تا چهارم پترن و یادگیری ماشین( از بیزین تا SVM)

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.