‫آموزش یادگیری ماشین 16 - موازنه بایاس و واریانس یعنی چی؟ (‫دلیل overfit یا underfit شدن مدلها چیه؟)

قسمت شانزدهم دوره آموزش یادگیری ماشین از مقدماتی تا پیشرفته
.
‫توی این جلسه قرار هست یک مبحث بسیار مهم در یادگیری ماشین (‫machine learning) رو با هم بررسی کنیم.
اول با دو تا مفهوم بسیار مهم زیر آشنا میشیم:
1. ‫overfit (high variance)
2. underfit (high bias)
بعد با هم دلیل هر کدوم رو بررسی میکنیم. یاد میگیریم درسته که مدل پیچیده تر میتونه خطای کمتری روی داده های ‫train داشته باشه، ولی همون مدل احتمالا روی داده های ‫test خطای زیادی خواهد داشت. خب اگر خیلی ساده ر رو امتحان کنیم چی؟ خب اونوقت روی هر دو نوع داده خطای زیادی خواهیم داشت. پس چیکار کنیم؟ بهترین راه استفاده از مدلی هست که نه خیلی ساده باشه، نه خیلی پیچیده! کلا بهتره مدلهای عمومی تر (general) تر رو استفاده کنیم. به این مفهوم عمومی سازی مدل (generalize) کردن هم میگن.
‫‫‫‫
.
لینک دانلود دیتاست:
drive.google.com/file/d/1gSbD...
‫لینک جلسات مرتبط با این دوره
‫جلسه پیش پردازش دیتاست دیابت • آموزش یادگیری ماشین 9 ...
جلسه آشنایی با معیارهای ارزیابی مختلف (‫accuracy, precision, recall) ‫ • ‫آموزش یادگیری ماشین 8...
‫ساخت محیط مجازی (virtual environment) دوره • دوره یادگیری ماشین 3 -...
‫آشنایی و کار با کتابخانه numpy در 20 دقیقه • ‫کتابخانه های پرکاربرد...
‫آشنایی و کار با کتابخانه pandas در 20 دقیقه • ‫‫کتابخانه های پرکاربر...
‫آشنایی و کار با کتابخانه matplotlib در 10 دقیقه • ‫‫کتابخانه های پرکاربر...
‫نحوه نصب کتابخانه ها و پکیجها در پایتون • ‫آموزش پایتون قسمت 13 ...
‫دوره آموزش پایتون از مقدماتی تا پیشرفته • ‫دوره کامل آموزش برنام...
ممنون میشم اگر ویدیوها آموزنده هست اونها رو لایک کنید، توی کانالمون سابسکرایب کنید و اونها رو با دیگران هم به اشتراک بذارین.
لطفا از دانلود ویدیوها اجتناب کنین، برای این ویدیوها زحمت زیادی کشیده شده (من راضی نیستم که اونها رو دانلود کنید) و به همین دلیل تنها راه استفاده رایگان، تماشای آنلاین هست.
لینک کانال تلگرام t.me/techwithhasanabbasi
اگر برای ورود به دنیای برنامه نویسی و آموزش آن به صورت خودآموز نیاز به راهنمایی و مشاوره دارید، میتونین از طریق لینک زیر جهت رزرو زمان مناسب اقدام کنید تا با هم در موردش صحبت کنیم و یه شروع قدرتمند داشته باشین.
calendly.com/techwithhasanabb...

[@mehrdad3979]

واقعا ممنونم ازتون تمام جلسات رو دارم نوت برداری میکنم. خیلی کاربردی و خووب هست آموزشاتون.❤❤❤

[@TechWithHasanAbbasi]

خواهش میکنم. خیلی خوشحالم که از آموزشها راضی هستین ممنون بابت حمایتتون

[@FeridehMohammadi]

کلی مطلب و کتاب خوندم که فقط تفاوت واریانس و بایاس رو متوجه بشم ولی تو این ویدیو به حدی روان و خوب توضیح دادید لذت بردم واقعا. ممنونم.

[@TechWithHasanAbbasi]

خواهش میکنم خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین

[@user-ef8xe5se4l]

عالی بود ممنون از شما

[@TechWithHasanAbbasi]

خواهش میکنم خوشحالم از آموزشها راضی هستین

[@LeilaAllahqoli]

ممنون از آموزش خوبتون

[@TechWithHasanAbbasi]

خواهش میکنم خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین

[@user-bp1ls4di2z]

تشکر از توضیحات خوبتون

[@TechWithHasanAbbasi]

خواهش میکنم، خوشحالم که از آموزشها راضی هستین ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین

[@Sara_MUA]

عالی بود، من همیشه فکر میکردم هرچی مدل پیچیده تر باشه بهتره

[@TechWithHasanAbbasi]

خواهش میکنم، خوشحالم که از آموزشها راضی هستین

[@user-nb4fx5fd3i]

دستتون درد نکنه بابت وقتی که میذارین 💙

[@TechWithHasanAbbasi]

خواهش میکنم، خوشحالم که از آموزشها راضی هستین

[@alirezagx26]

عالی

[@TechWithHasanAbbasi]

خواهش میکنم ممنون بابت حمایتتون

[@ziasharifi2657]

Perfect Hasan.

[@TechWithHasanAbbasi]

Thanks Zia :)

[@Rel_axation]

thanks.

[@TechWithHasanAbbasi]

You're welcome

[@hosseindr.askari6161]

Great explanation 🙂

[@TechWithHasanAbbasi]

🙏

[@alirezagx26]

خفن

[@TechWithHasanAbbasi]

خواهش میکنم ممنون بابت حمایتتون

[@armin.falahatkar]

Thanks a lot ❤

[@TechWithHasanAbbasi]

You're welcome 😊

[@milad8030]

چرا اینفدر خوب توضیح میدی آخه :) تا حالا کجا بودی

[@TechWithHasanAbbasi]

:))) لطف دارین دوست عزیز خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین

[@minamohamadi291]

awliiii

[@TechWithHasanAbbasi]

خواهش میکنم، خوشحالم که از آموزشها راضی هستین ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین

[@Room101-science]

رفیق توزیع گوسین هم بیزحمت یه درسی بذار

[@TechWithHasanAbbasi]

سلام دوست عزیز جلسه رگرسیون این دوره رو دیدین؟ اگر نه، لینک ها به صورت زیر هست: رگرسیون با ماشین لرنینگ: kzbin.info/www/bejne/jKrCfmWlj6mXeLc رگرسیون با دیپ لرنینگ: kzbin.info/www/bejne/iYbGeWyQgLCWeqc

[@user-qy3xr8lc4c]

👌👌👌👌

[@TechWithHasanAbbasi]

Thank you for your support!

[@elhampaseban1612]

سلام و سپاس فراوان،استاد تو دیتایی ک شما انتخاب کردین خودش مشخصه دیتای وابسته ک قراره پیش‌بینی هم رو اون انجام بشه کدومه،ولی تو دیتایی ک مثلا من میخوام کشف تقلب کنم متغیر وابسته رو چجوری پیداکنم،چون اگه داشته باشمش ک دیگه نیاز ب کشف تقلب ندارم.ممنون

[@TechWithHasanAbbasi]

سلام، خواهش میکنم ببینین شما معمولا دو دسته داده دارین، یه دسته داده ای که برای آموزش مدل هست ‫(‫train) ‫و دسته بعدی داده های تست که مدل ندیده. حالا اگر بخواهید دسته بندی ‫(classification) انجام بدین، متغیر وابسته توی داد های train باید باشه. ولی توی داده تست نه! یعنی خود مدل باید متغیر وابسته رو برای داده تست پیدا کنه. اگر بخواهید کلا متغیر وابسته مشخص نباشه چه توی داده train و چه داده test، اون وقت باید از خوشه بندی (clustering) استفاده کنین. یکی از مهمترین الگوریتم های این دسته رو من توی ویدیو زیر توضیح دادم: kzbin.info/www/bejne/jIiVfqqjabaLf6c

[@user-wu2ez9tz2b]

سلام استاد در محیط IDLE پایتون چطور میشه کتابخانه مثل شطرنج فراخونی کرد انجام داد

[@TechWithHasanAbbasi]

ویدیو مربوط به نصب پکیجها و کتابخانه ها رو مشاهده بفرمایید: kzbin.info/www/bejne/f368o6CQgqqMsM0

[@Room101-science]

رفیق فیلتر کالمن هم بگو

[@TechWithHasanAbbasi]

سلام دوست عزیز حتما اینکار رو خواهم کرد، منتهی فعلا اولویت دوره های دیگر هست ولی در لیست دوره های آتی خواهد بود

[@Edgecom-qi7kp]

❤❤❤❤

[@TechWithHasanAbbasi]

Thank you for your support!