شناسایی الگو و تقریب توابع (رگرسیون) - بخش اول
شناسایی الگو و تقریب توابع (رگرسیون) - بخش اول
🔒
محتوای دوره
مشاهده ویدیو قفل است

برای مشاهده مشاهده ویدیو، ابتدا این دوره را خریداری کنید.

اگر قبلاً این دوره را خریداری کرده‌اید، وارد حساب خود شوید.

شناسایی الگو و تقریب توابع (رگرسیون) - بخش اول

توضیحات

کاربردهای شبکه های عصبی- شناسایی الگو (Pattern Recognition) یا طبقه بندی(Classification) و تقریب تابع (رگرسیون) Pattern Recognition and Function Approximation (Regression) a. بخش اول i. تعریف ساده شناسایی الگو ii. تعریف ویژگی(خصلت)، بردار ویژگی، فضای ویژگی و نمودار پراکندگی داده feature, feature vector, feature space and scatter plot iii. تعریف تفکیک پذیری خطی، غیرخطی، وابسته شدید و چند مدال linear separability, nonlinear separability, highly correlated features and multi-modal iv. بررسی مفهوم ویژگی و متغیر تصادفی و توزیع‌های آماری v. مثال ازتوزیع آماری تک ویژگی در دو گروه و آستانه گذاری برای جداسازی کلاسها vi. مفاهیم آزمونهای آماری برای بررسی خوب بودن ویژگیها برای تفکیک یا جداپذیری گروه ها(کلاسهای داده) Ttest vii. مفاهیم و تعاریف TP, TN, FP, FN, Accuracy, Sensitivity and Specificity و کاربردهای آنها viii. اهمیت حساسیت sensitivity در مسایل غربالگری screening ix. تعریف طبقه بند بصورت ریاضی x. چرخه پیاده سازی یک سیستم شناسایی الگو/یادگیری ماشین/ طبقه بندی با شبکه عصبی / یادگیری عمیق داده محور: جمع آوری داده، انتخاب ویژگی، انتخاب مدل مناسب، آموزش و اعتبارسنجی مدل xi. تقسیم داده به آموزش و آزمون Train, Test xii. مثال پیاده سازی

دسترسی محدود
برای مشاهده کامل این قسمت، دوره را تهیه کنید

پس از خرید، به همه قسمت‌های این دوره دسترسی خواهید داشت.

هزینه دوره50٪ تخفیف
4,000,000 تومان2,000,000 تومان
فهرست دوره

یادگیری عمیق

70 ساعت و 17 دقیقه
36 قسمت
در حال تکمیل
قسمت‌های جدید هر هفته به این دوره اضافه خواهد شد.