آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

دکتر اسماعیل آتشپز گرگری
دکتر اسماعیل آتشپز گرگری

عضو هیأت علمی دانشگاه National - ایالات متحده آمریکا

دکترای تخصصی مهندسی برق


دکتر اسماعیل آتشپز گرگری یکی از بنیانگذاران فرادرس و از اعضای هیأت علمی آن است. ایشان دانش آموخته دکتری دانشگاه Texas A&M بوده و سابقه همکاری با مراکز طراز اول بیوانفورماتیک و پردازش سیگنالهای ژنومیک و کار در لبه علم و تکنولوژی این حوزه را دارند. ایشان در حال حاضر به عنوان عضو هیات علمی در دانشگاه National در ایالات متحده آمریکا به تدریس و پژوهش مشغول می باشند. (+)



تخمین خطای کلاسیفایر (Classifier Error Estimation) اگر مهم ترین بخش طراحی یک کلاسیفایر (Classifier – طبقه بندی کننده) نباشد، قطعا یکی از مهم ترین قسمت های این فرایند می باشد. به عنوان مثال فرایند انتخاب ویژگی (Feature Selection) بدون داشتن یک تخمین گر خطا (Error Estimator) مناسب یک روند عبث خواهد بود. به خاطر همین اهمیت بسیار بالا، در این فرادرس ما به موضوع تخمین خطای کلاسیفایر می پردازیم و در طی آن روش هایی همانند تخمین گر Resubstitution، تخمین گر Cross-Validation، تخمین گر Leave-One-Out، تخمین گر Bootstrap را مورد بررسی قرار داده و نقاط ضعف و قوت هر یک را بیان می کنیم.

👤 مدرس: دکتر اسماعیل آتشپز گرگری
🕓 مدت زمان: ۱ ساعت و ۴۹ دقیقه
🎓 تعداد دانشجو: ۳۹۷ نفر این آموزش را تهیه کرده اند.
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۱۲,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز
ارسال پیک موتوری در تهران، در همان روز ثبت سفارش

(توضیحات بیشتر +)



    توضیحات

    مقدمه – هدف و اهمیت تخمین خطا

    تخمین خطای کلاسیفایر (Classifier Error Estimation) اگر مهم ترین بخش طراحی یک کلاسیفایر (Classifier – طبقه بندی کننده) نباشد، قطعا یکی از مهم ترین قسمت های این فرایند می باشد. یک طبقه بندی کننده بدون داشتن تخمین درست از خطای آن، همانند داشتن یک فرد با ادعای مهارت بالا در پزشکی است در حالی که صلاحیت او توسط هیچ منبع ارزش گذاری و ارزیابی علمی مورد تایید قرار نگرفته است. چنین فردی حتی اگر در واقع، پزشک حاذقی باشد،‌ در عمل فردی نخواهد بود که افراد عادی، تصمیم در مورد سلامت خود را به تشخیص و عمل او بسپارند. در یک مثال دیگر، داشتن فرایند طبقه بندی بدون توجه به ظرافت های تخمین خطا، همانند به پیش بردن فرایند رانندگی یک اتوموبیل با چشمان بسته (و در شرایط بدتر با ذهن به هم ریخته) است. تشخیص تصادفی (یک طبقه بندی کننده طراحی نشده و صرفا تصادفی) «با احتمال زیاد» اشتباه خواهد بود. اما تشخیص اشتباه (یک طبقه بندی کننده طراحی شده برای داشتن خطای بالا) «قطعا» اشتباه خواهد بود.

    تخمین خطای طبقه بندی کننده در تمام مراحل و مسائل مرتبط با طبقه بندی، نقش حیاتی بازی می کند. به عنوان مثال فرایند انتخاب ویژگی (Feature Selection) بدون داشتن یک تخمین گر خطا (Error Estimator) مناسب یک روند عبث خواهد بود.

     

    عدم پرداخت مناسب و شایسته به تخمین خطا در مقالات علمی

    در عین چنین اهمیتی،‌ متأسفانه در بسیاری از مقالات حوزه پزشکی و بیوانفورماتیک که دارای به ظاهر جذاب ترین الگوریتم ها و فلوچارت های مرتبط با یافتن ویژگی و رسیدن به بایومارکر (نشانگر زیستی – Biomarker) می باشند،‌ معمولا از روی مهم ترین بخش مسیر کاری خود که همانا بلوک تخمین خطا است، بدون توجه کافی، عبور می شود. از این جهت است که در عین صرف میلیون ها دلار در تحقیقات مرتبط با سلامت، ما بهبود در مناسب در این مسیر را شاهد نبوده ایم و هنوز موفق ترین بایومارکرهای مرتبط با سلامت دارای Specificity پایین می باشند. این پایین بودن Specificity در ادامه باعث ایجاد میلیون ها دلار اتلاف هزینه در بخش سلامت می شود.

    نداشتن تخمین درست از خطا تنها عامل در شکست فرایند های مختلف مرتبط با طبقه بندی نمی باشد، اما بی شک یکی از مهم ترین عوامل به شما می رود و به خاطر همین اهمیت بسیار بالا، در این فرادرس ما به موضوع تخمین خطای کلاسیفایر می پردازیم.

     

    ساختار ارائه موضوع در این فرادرس

    در این فرادرس، در ابتدای بحث، به خود موضوع تخمین خطا و اهمیت آن اشاره می شود. در ادامه می بینیم که بایاس و واریانس یک تخمینگر خطا چگونه نمایشی کمی و خلاصه شده از کیفیت آن را به ما می دهد و اینکه چگونه این دو فاکتور به صورت یکجا و واحد خود را در RMS مرتبط با یک تخمین گر نشان می دهند. در ادامه به مفهوم فاکتورهای تصادفی درونی (Internal Random Factors) و تفاوت تخمین گر Randomized و Non-Randomized اشاره خواهد شد و اینکه چگونه تخمین گرها در یکی از این دو دسته قرار می گیرند. پرداختن به تخمین گر Holdout و ویژگی های آن موضوع ادامه بحث می باشد.

    همان‌طور که می دانیم تخمین گر Holdout در زمان هایی که داده کافی وجود داشته باشد، انتخاب مناسب و کارایی می باشد. اما مشکل این تخمین گر زمانی خود را نشان می دهد که ما با کمبود در داده مواجهیم. به عبارت دیگر مسئله طبقه بندی ما یک مسئله با تعداد داده کم (Small Sample Problem)‌ است (موضوع بسیاری از مسائل حوزه سلامت). اینجا است که نیاز به روش هایی که استفاده بهینه تری از داده ها دارند، ایجاد و مطرح می شود و این نقطه شروع بحث روی روش های دیگر تخمین خطا همانند تخمین گر Resubstitution، تخمین گر Cross-Validation، تخمین گر Leave-One-Out، تخمین گر Bootstrap خواهد بود. در ادامه تک تک این روش های مورد بررسی قرار گرفته و نقاط ضعف و قوت هر یک بیان می شود. نتیجه گیری و خلاصه سازی بحث، آخرین قسمت از این فرادرس را تشکیل می دهد.

    توجه: در این فرادرس به مباحث تئوری مرتبط با هر روش تخمین خطای کلاسیفایر پرداخته شده و به نحوه پیاده سازی و کدنویسی هر یک از آنها اشاره می شود. اما کدنویسی و پیاده سازی در قالب نوشتن کد هر یک از روش ها جزو اهداف آموزشی این فرادرس نمی باشد.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مقدمه
      • اهمیت مسئله تخمین خطا
    • مفاهیم و تعاریف اولیه
      • تعریف تخمین خطا
      • واریانس و بایاس در تخمین
      • RMS
      • فاکتورهای تصادفی درونی
      • تخمین گر Randomized و Non-Randomized
      • تعادل میان بایاس، واریانس و پیچیدگی محاسباتی
    • تخمین گر Holdout
      • اشاره به مزایا و معایب
    • تخمین گر Resubstitution
    • تخمین گر Cross-Validation
    • تخمین گر Leave-One-Out
    • تخمین گر Bootstrap
      • اصول Bootstrap Resampling
      • تعریف تخمین خطای بوت استرپ
      • معایب و مزایا
    • خلاصه و نتیجه گیری

    پیش نمایش

    پیش نمایش ۱: آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation - ۳۴ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۸۴ مگابایت (کلیک کنید +)



    اطلاعات تکمیلی

    نام آموزش آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۴۹۶۲۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVML9403
    مدت زمان ۱ ساعت و ۴۹ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۲۲۱ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزشها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۸۸۳۱۲۲۷۶ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • از طریق بخش چت آنلاین، با پشیبان های فرادرس گفتگو کنید.- همه روزهای کاری هفته از ساعت ۸ صبح تا ۱۲ شب
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

    هزینه آموزش: ۱۲,۰۰۰ تومان




    سایر آموزش های دکتر اسماعیل آتشپز گرگری



    مطالب مرتبط


    دیدگاه ها

    ( امتیاز ۴٫۸ از ۵ )
    4.8 از 5


    تا کنون ۳۹۷ نفراز این آموزش استفاده کرده اند و ۷ نظر ثبت شده است.
    1. 5 از 5

      :

      با سلام و عرض ادب.
      این آموزش فوق العاده بود، من خیلی توی مسئله ی bias – variance tradeoff گیج بودم که الان کاملا ابهاماتم برطرف شد. فقط یه خواهشی که داشتم ای کاش آقای دکتر لطف می کردن در مورد جایگاه روش های regularization و انواع اون هم توضیحاتی میدادن(L1 و L2) و اینکه تاثیر استفاده از اون ها در تخمین گرهای خطا به چه شکل هست.
      با تشکر و تقدیم احترام.

      • 0 از 5

        :

        سلام.

        تشکر از بیان نظرتان.

        این موضوع به مدرس این فرادرس منتقل می شود.

        امیدواریم که در آینده موضوع پیشنهادی شما نیز بتواند به سرفصل های فرادرس اضافه گردد.

        موفق باشید
        روابط عمومی فرادرس

    2. 4 از 5

      :

      برای انجام پروژه ام برای بسیار مفید واقع شد. می توانست بخش پیشرفته تر هم داشته باشد.

    3. 5 از 5

      :

      سلام. اگه امکانی فراهم کنید با اساتید در ارتباط باشیم عالی میشود.

    4. 4 از 5

      :

      برای یاد آوری و جمع بندی دانسته ها عالی بود و حاوی نکات جدیدی بود. اگر اموزش ها پروژه محور باشن و کاربردی مفید تر خواهند بود.

    5. 5 از 5

      :

      نحوه تدریس بسیار عالی بود.

    6. 4 از 5

      :

      لطفا در کنار فیلم آموزشی جزوه را نیز ارائه دهید. آموزش خوبی بود. موفق باشید.

    7. 5 از 5

      :

      اینکه همه مطالب و خطاها به صورت مقایسه ای بیان شده است، خیلی عالی است. آموزش جامع بود. متشکرم.


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *



​همین امروز شروع به آموختن کنید​

آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

هزینه آموزش: ۱۲,۰۰۰ تومان



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی logo-samandehi پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان