جستجو برای:
سبد خرید 0
  • صفحه اصلی
  • کدکول اپلای
    • صفر تا صد اپلای
    • موقعیت های تحصیلی
    • موقعیت های شغلی
  • آکادمی کدکول
    • معرفی بیوانفورماتیک
    • زیست شناسی محاسباتی
    • بیوانفورماتیک ساختاری
    • وبینارها
    • معرفی کتاب
    • همکاران کدکول
  • خدمات
  • رویدادها
  • تازه های بیوانفورماتیکی
    • مقالات علمی
    • سوژه های برگزیده
    • اینفوگرافی
    • پادکست
      • پادکست ویدیویی
      • پادکست صوتی
  • درباره ما
    • معرفی کدکول
    • اعضا فعلی گروه
    • جشن دو سالگی کدکول
  • تماس با ما
    • تهران -پاسداران خیابان بوستان هشتم پلاک 120 واحد 14

      09308877635

      info@codecool.ir

      پیج اینستاگرام
      کانال تلگرام
      صفحه لینکدین
گروه زیست داده کاو کدکول
  • صفحه اصلی
  • کدکول اپلای
    • صفر تا صد اپلای
    • موقعیت های تحصیلی
    • موقعیت های شغلی
  • آکادمی کدکول
    • معرفی بیوانفورماتیک
    • زیست شناسی محاسباتی
    • بیوانفورماتیک ساختاری
    • وبینارها
    • معرفی کتاب
    • همکاران کدکول
  • خدمات
  • رویدادها
  • تازه های بیوانفورماتیکی
    • مقالات علمی
    • سوژه های برگزیده
    • اینفوگرافی
    • پادکست
      • پادکست ویدیویی
      • پادکست صوتی
  • درباره ما
    • معرفی کدکول
    • اعضا فعلی گروه
    • جشن دو سالگی کدکول
  • تماس با ما
    • تهران -پاسداران خیابان بوستان هشتم پلاک 120 واحد 14

      09308877635

      info@codecool.ir

      پیج اینستاگرام
      کانال تلگرام
      صفحه لینکدین
ورود / عضویت
0

وبلاگ

گروه زیست داده کاو کدکولاخبارتازه های بیوانفورماتیکیسوژه های برگزیدهوفق دادن روش یادگیری ماشین کلاسیک و مدرن

وفق دادن روش یادگیری ماشین کلاسیک و مدرن

27 تیر 1401
ارسال شده توسط مریم رفیعی پور
سوژه های برگزیده

علی رغم اینکه پیشرفت‌ها در حوزه‌ی یادگیری ماشین و هوش مصنوعی در حال تغییر جامعه است، درک اساسی ما از موضوع هماهنگ با این پیشرفت‌ها نیست.

در مدل‌های کلاسیک یادگیری ماشین اعتقاد بر این است که مدل مناسب مدلی است که کاملاً با داده‌های آموزش مطابقت نکند زیرا این موضوع منجر به کارایی ضعیف مدل روی داده‌های تست می شود. با این وجود مدل‌های طبقه‌بندی کننده مدرن تقریباً بر داده‌های آموزش منطبق هستند. در واقع یکی از اصول اساسی در روش‌های یادگیری ماشین کلاسیک ایجاد موازنه بین خطای آموزش و خطای تست است در حالی که در روش‌های مدرن مانند شبکه عصبی که با دقت بالایی پیش بینی می‌کنند، این گونه نیست.

این تناقض باعث بحث و گفتگو بین پژوهشگران شده و آن‌ها را با این سوال مواجه کرده است که آیا اساساً این تئوری عملی است. ارتباط مبانی ریاضی یادگیری ماشین و مسائل دنیای واقعی چیست.

پژوهشگران در این مقاله به این سوال پاسخ و درک روش کلاسیک و مدرن را در یک منحنی عملکرد یکپارچه وفق داده‌اند. آن‌ها طیف گسترده‌ای از مدل‌ها و مجموعه داده‌ها را بررسی کرده‌ و ارتباط بین عملکرد، ساختار مدل‌های یادگیری ماشین، محدودیت‌های تحلیل کلاسیک و مفهوم تئوری و عملی یادگیری ماشین را شرح داده‌اند.

منبع: PNAS

برچسب ها: مدل یادگیری ماشین کلاسیکمدل یادگیری ماشین مدرنیادگیری ماشین
درباره مریم رفیعی پور

فارغ التحصیل کارشناسی ارشد رشته بیوانفورماتیک از دانشگاه تربیت مدرس

نوشته‌های بیشتر از مریم رفیعی پور
قبلی ساخت یک تراشه برای تشخیص سرطان در مراحل اولیه
بعدی ذخیره سازی داده روی شیشه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

جستجو برای:
دسته‌ها
  • آشنایی با بیوانفورماتیک و کاربرد های آن
  • اپلای
  • ایمنی شناسی
  • بیوانفورماتیک ساختاری
  • پادکست صوتی
  • تکامل
  • چالش های علمی
  • زیست پزشکی
  • زیست شناسی سلولی
  • زیست شناسی محاسباتی
  • ژنتیک و اپی ژنتیک
  • سوژه های برگزیده
  • شبکه های زیستی
  • معرفی کتاب
  • مقالات علمی
  • موقعیت تحصیلی
  • موقعیت شغلی
  • ویدئو
برچسب‌ها
COVID-19 DNA RNA SARS-COV2 آفریقا آمار آمار زیستی آنالیز داده برنامه نویسی بیان ژن بیوانفورماتیک بیوشیمی تخیلی توالی یابی تومور تکامل جبر خطی دارو زیست شناسی زیست شناسی سامانه ای زیست شناسی محاسباتی سرطان سلول های ایمنی طراحی محاسباتی دارو علمی متابولیسم مغز مهندسی کامپیوتر میکروبیوم همه گیری هوش مصنوعی واکسن کرونا ویروس کرونا پردازش تصویر پزشکی پزشکی شخصی شده ژن ژنتیک ژنوم کدکول کرونا کووید-19 یادگیری عمیق یادگیری ماشین یووال نوح هراری
  • محبوب
  • جدید
  • دیدگاه ها

گروه زیست داده کاو کدکول، متشکل از کادري مجرب و متخصص در زمينه بيوانفورماتيک و زيست شناسي محاسباتي، رسالت خويش را آموزش و پژوهش در حوزه بيوانفورماتيک و همچنين آناليز انواع داده هاي زيستي، قرار داده است.

خبرنامه

نمادها
کلیه حقوق مادی و معنوی این اثر متعلق به گروه زیست داده کاو کدکول می باشد.
اشتراک گذاری در شبکه های اجتماعی
ارسال به ایمیل
https://codecool.ir/?p=9926
ورود به سیستم ×
کد تایید
لطفاً کد تأیید ارسال شده به آن را تایپ کنید
ارسال
رمز عبور را فراموش کرده اید؟
آیا حساب کاربری ندارید؟
ثبت نام
ارسال مجدد کد یکبار مصرف(00:120)
برگشت به صفحه ورود به سایت

ارسال مجدد کد یکبار مصرف (00:120)
برگشت به صفحه ورود به سایت
  • (+93) Afghanistan
  • (+355) Albania
  • (+213) Algeria
  • (+1) American Samoa
  • (+376) Andorra
  • (+244) Angola
  • (+1) Anguilla
  • (+1) Antigua
  • (+54) Argentina
  • (+374) Armenia
  • (+297) Aruba
  • (+61) Australia
  • (+43) Austria
  • (+994) Azerbaijan
  • (+973) Bahrain
  • (+880) Bangladesh
  • (+1) Barbados
  • (+375) Belarus
  • (+32) Belgium
  • (+501) Belize
  • (+229) Benin
  • (+1) Bermuda
  • (+975) Bhutan
  • (+591) Bolivia
  • (+599) Bonaire, Sint Eustatius and Saba
  • (+387) Bosnia and Herzegovina
  • (+267) Botswana
  • (+55) Brazil
  • (+246) British Indian Ocean Territory
  • (+1) British Virgin Islands
  • (+673) Brunei
  • (+359) Bulgaria
  • (+226) Burkina Faso
  • (+257) Burundi
  • (+855) Cambodia
  • (+237) Cameroon
  • (+1) Canada
  • (+238) Cape Verde
  • (+1) Cayman Islands
  • (+236) Central African Republic
  • (+235) Chad
  • (+56) Chile
  • (+86) China
  • (+57) Colombia
  • (+269) Comoros
  • (+682) Cook Islands
  • (+225) Côte d'Ivoire
  • (+506) Costa Rica
  • (+385) Croatia
  • (+53) Cuba
  • (+599) Curaçao
  • (+357) Cyprus
  • (+420) Czech Republic
  • (+243) Democratic Republic of the Congo
  • (+45) Denmark
  • (+253) Djibouti
  • (+1) Dominica
  • (+1) Dominican Republic
  • (+593) Ecuador
  • (+20) Egypt
  • (+503) El Salvador
  • (+240) Equatorial Guinea
  • (+291) Eritrea
  • (+372) Estonia
  • (+251) Ethiopia
  • (+500) Falkland Islands
  • (+298) Faroe Islands
  • (+691) Federated States of Micronesia
  • (+679) Fiji
  • (+358) Finland
  • (+33) France
  • (+594) French Guiana
  • (+689) French Polynesia
  • (+241) Gabon
  • (+995) Georgia
  • (+49) Germany
  • (+233) Ghana
  • (+350) Gibraltar
  • (+30) Greece
  • (+299) Greenland
  • (+1) Grenada
  • (+590) Guadeloupe
  • (+1) Guam
  • (+502) Guatemala
  • (+44) Guernsey
  • (+224) Guinea
  • (+245) Guinea-Bissau
  • (+592) Guyana
  • (+509) Haiti
  • (+504) Honduras
  • (+852) Hong Kong
  • (+36) Hungary
  • (+354) Iceland
  • (+91) India
  • (+62) Indonesia
  • (+98) Iran
  • (+964) Iraq
  • (+353) Ireland
  • (+44) Isle Of Man
  • (+972) Israel
  • (+39) Italy
  • (+1) Jamaica
  • (+81) Japan
  • (+44) Jersey
  • (+962) Jordan
  • (+7) Kazakhstan
  • (+254) Kenya
  • (+686) Kiribati
  • (+965) Kuwait
  • (+996) Kyrgyzstan
  • (+856) Laos
  • (+371) Latvia
  • (+961) Lebanon
  • (+266) Lesotho
  • (+231) Liberia
  • (+218) Libya
  • (+423) Liechtenstein
  • (+370) Lithuania
  • (+352) Luxembourg
  • (+853) Macau
  • (+389) Macedonia
  • (+261) Madagascar
  • (+265) Malawi
  • (+60) Malaysia
  • (+960) Maldives
  • (+223) Mali
  • (+356) Malta
  • (+692) Marshall Islands
  • (+596) Martinique
  • (+222) Mauritania
  • (+230) Mauritius
  • (+262) Mayotte
  • (+52) Mexico
  • (+373) Moldova
  • (+377) Monaco
  • (+976) Mongolia
  • (+382) Montenegro
  • (+1) Montserrat
  • (+212) Morocco
  • (+258) Mozambique
  • (+95) Myanmar
  • (+264) Namibia
  • (+674) Nauru
  • (+977) Nepal
  • (+31) Netherlands
  • (+687) New Caledonia
  • (+64) New Zealand
  • (+505) Nicaragua
  • (+227) Niger
  • (+234) Nigeria
  • (+683) Niue
  • (+672) Norfolk Island
  • (+850) North Korea
  • (+1) Northern Mariana Islands
  • (+47) Norway
  • (+968) Oman
  • (+92) Pakistan
  • (+680) Palau
  • (+970) Palestine
  • (+507) Panama
  • (+675) Papua New Guinea
  • (+595) Paraguay
  • (+51) Peru
  • (+63) Philippines
  • (+48) Poland
  • (+351) Portugal
  • (+1) Puerto Rico
  • (+974) Qatar
  • (+242) Republic of the Congo
  • (+40) Romania
  • (+262) Runion
  • (+7) Russia
  • (+250) Rwanda
  • (+290) Saint Helena
  • (+1) Saint Kitts and Nevis
  • (+508) Saint Pierre and Miquelon
  • (+1) Saint Vincent and the Grenadines
  • (+685) Samoa
  • (+378) San Marino
  • (+239) Sao Tome and Principe
  • (+966) Saudi Arabia
  • (+221) Senegal
  • (+381) Serbia
  • (+248) Seychelles
  • (+232) Sierra Leone
  • (+65) Singapore
  • (+1) Sint Maarten
  • (+421) Slovakia
  • (+386) Slovenia
  • (+677) Solomon Islands
  • (+252) Somalia
  • (+27) South Africa
  • (+82) South Korea
  • (+211) South Sudan
  • (+34) Spain
  • (+94) Sri Lanka
  • (+1) St. Lucia
  • (+249) Sudan
  • (+597) Suriname
  • (+268) Swaziland
  • (+46) Sweden
  • (+41) Switzerland
  • (+963) Syria
  • (+886) Taiwan
  • (+992) Tajikistan
  • (+255) Tanzania
  • (+66) Thailand
  • (+1) The Bahamas
  • (+220) The Gambia
  • (+670) Timor-Leste
  • (+228) Togo
  • (+690) Tokelau
  • (+676) Tonga
  • (+1) Trinidad and Tobago
  • (+216) Tunisia
  • (+90) Turkey
  • (+993) Turkmenistan
  • (+1) Turks and Caicos Islands
  • (+688) Tuvalu
  • (+1) U.S. Virgin Islands
  • (+256) Uganda
  • (+380) Ukraine
  • (+971) United Arab Emirates
  • (+44) United Kingdom
  • (+1) United States
  • (+598) Uruguay
  • (+998) Uzbekistan
  • (+678) Vanuatu
  • (+58) Venezuela
  • (+84) Vietnam
  • (+681) Wallis and Futuna
  • (+212) Western Sahara
  • (+967) Yemen
  • (+260) Zambia
  • (+263) Zimbabwe
مرورگر شما از HTML5 پشتیبانی نمی کند.