ارزیابی و بهبود مدل

۱۱ بخش۱۱ درس۱۱ آزمون۱ ساعت و ۲۷ دقیقه

متوسط

دورهٔ پنجم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: اعتبارسنجی متقابل، نشت داده، داده‌های نامتوازن و SMOTE، ابرپارامترها، جستجوی شبکه‌ای، تصادفی و بیزی، منحنی یادگیری، تفسیر مدل با SHAP، و بهتر کردن قدم‌به‌قدم یک مدل ضعیف؛ با انیمیشن و کد واقعی.

این دوره در «مسیر متخصص فنی»، «پلن کامل» است.

دیدن پلن‌ها

بخش ۱چرا ارزیابی درست مهم است؟

۰/۱

چرا ارزیابی درست مهم است؟۷:۵۱ پیش‌نمایش رایگان
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۲اعتبارسنجی متقابل (Cross-Validation)

۰/۱

اعتبارسنجی متقابل (Cross-Validation)۷:۵۵
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۳نشت داده و راه‌های جلوگیری

۰/۱

نشت داده و راه‌های جلوگیری۷:۵۳
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۴داده‌های نامتوازن

۰/۱

داده‌های نامتوازن۷:۴۶
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۵نمونه‌برداری مجدد و SMOTE

۰/۱

نمونه‌برداری مجدد و SMOTE۷:۵۳
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۶ابرپارامترها چیست؟

۰/۱

ابرپارامترها چیست؟۷:۵۴
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۷جستجوی شبکه‌ای و تصادفی

۰/۱

جستجوی شبکه‌ای و تصادفی۸:۰۱
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۸بهینه‌سازی بیزی ابرپارامترها

۰/۱

بهینه‌سازی بیزی ابرپارامترها۷:۵۳
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۹منحنی یادگیری

۰/۱

منحنی یادگیری۷:۴۹
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۱۰تفسیرپذیری مدل با SHAP

۰/۱

تفسیرپذیری مدل با SHAP۸:۰۵
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

بخش ۱۱تمرین: بهبود عملکرد یک مدل ضعیف

۰/۱

تمرین: بهبود عملکرد یک مدل ضعیف۸:۱۶
آزمون پایان بخش۴ سؤال • حد قبولی ۷۰٪

چه یاد می‌گیری

بدانی چرا یک عدد آزمون فقط یک تخمین است و چرا آزمون را فقط یک بار، آخر کار، باید دید
اعتبارسنجی متقابل را با تقسیمی که به سؤالت می‌خورد به کار ببری: استرتیفای، گروپ کی‌فولد، تقسیم زمانی و تودرتو
نشت داده را پیدا کنی و با خط لوله جلویش را بگیری، و دادهٔ نامتوازن را با معیار درست، آستانه و نمونه‌برداری درست بسنجی
ابرپارامترها را با منحنی اعتبارسنجی، جستجوی شبکه‌ای و تصادفی و بهینه‌سازی بیزی تنظیم کنی
با منحنی یادگیری بفهمی داده لازم است یا مدل بهتر، پیش‌بینی‌ها را با SHAP توضیح بدهی و یک مدل ضعیف را قدم به قدم بهتر کنی

درباره دوره

این دوره، پنجمین دوره از موضوع «یادگیری ماشین» است و دربارهٔ سؤالی است که بعد از ساختن هر مدل پیش می‌آید: این عدد، چقدر راست می‌گوید، و مدل را چطور واقعاً بهتر کنیم؟ از این‌جا شروع می‌کنیم که یک عدد آزمون فقط یک تخمین است و هر انتخابی که با نگاه به آزمون گرفته شود، آن را خوش‌بین می‌کند؛ بعد اعتبارسنجی متقابل را با همهٔ شکل‌هایش می‌بینیم: کی‌فولد، استرتیفای، گروپ کی‌فولد، تقسیم زمانی و اعتبارسنجی تودرتو. نشت داده را در چهار شکل رایجش پیدا می‌کنیم و با خط لوله جلویش را می‌گیریم؛ با داده‌های نامتوازن، وزن دسته‌ها و آستانه کار می‌کنیم، و نمونه‌برداری مجدد و SMOTE را درست، فقط روی تیکه‌های آموزش، امتحان می‌کنیم. بعد سراغ ابرپارامترها می‌رویم: فرق پارامتر و ابرپارامتر، منحنی اعتبارسنجی، جستجوی شبکه‌ای و تصادفی، نصف کردن پشت سر هم، و بهینه‌سازی بیزی با مدل جانشین و بهبود مورد انتظار. منحنی یادگیری می‌گوید دادهٔ بیشتر کمک می‌کند یا نه، و مقدار شپلی و SHAP، هر پیش‌بینی را بین ستون‌ها تقسیم می‌کنند. در آخر، یک مدل ضعیف مرجوعی را قدم به قدم و با یک عدد صادق برای هر قدم، تا سقف داده بهتر می‌کنیم. هر ایده اول روی صفحه دیده می‌شود: تیکه‌هایی که روی داده جابه‌جا می‌شوند، ستونی که از آینده خبر دارد، نقطه‌هایی که SMOTE بین همسایه‌ها می‌سازد، امتحان‌هایی که روی نقشهٔ ابرپارامترها پخش می‌شوند و سهم‌هایی که روی هم، دقیقاً همان پیش‌بینی می‌شوند؛ بعد قاعده‌اش، و بعد با کد واقعی سایکیت‌لرن. همهٔ کدهای ویدیوها اجرا شده‌اند و عددها و نمودارهای روی صفحه، همان خروجی واقعی آن کدها هستند؛ برای کتابخانه‌هایی که نصب نیستند، فقط کد نشان داده شده و هیچ عددی گفته نشده است؛ داده‌ها ساختگی‌اند و روی صفحه هم همین گفته شده است.

هر ویدیو حدود هشت دقیقه است و با یک ماجرا شروع می‌شود؛ بعد مفهوم، یک نمایش عملی، جمع‌بندی و یک تمرین کوتاه. بعد از هر ویدیو یک آزمون کوتاه داری؛ آخرش نکته‌های اصلی درس را می‌بینی و برای هر جواب، توضیح و لینک همان لحظهٔ ویدیو را.

مدرس: تیم مایان

این دوره در «مسیر متخصص فنی»، «پلن کامل» است.

دیدن پلن‌ها