این وبینار قبلا به صورت مجازی در دانشگاه امیرکبیر در تابستان ۱۴۰۰ برگزار شده است و ویدیوهای آن به صورت رایگان در زیر قابل مشاهده است:
این آموزش در فریم‌ورک Tensorflow/Keras با موضوعات زیر است
- metrics (precision, recall, f-score)
- Oversampling and Under-sampling
- Class weight
- Focal loss
یکی از مشکلاتی که در الگوریتم‌‌های ماشین لرنینگی ممکن است آموزش و ارزیابی مدل‌ها را با مشکل مواجه کند، بالانس نبودن داده های آموزشی است. این مشکل در دیپ‌لرنینگ یا یادگیری عمیق نیز وجود دارد که در این ویدیو در ابتدا مشکل معرفی شده و سپس متریک‌هایی که برای مواجه با دادههای imbalance به جای دقت یا Accuracy از آن‌ها استفاده می‌شود بیان شد. در ادامه روش‌هایی نظیر وزن دادن به هر کلاس و Focal loss که برای آموزش مدل‌های شبکه عصبی عمیق که داده های آموزشی آن‌ها این مشکل را دارند آموزش داده شده و در فریم‌ورک کراس/ تنسرفلو پیاده سازی شد.
کدهای استفاده شده در این آموزش:
- Imbalanced classification: credit card fraud detection
- 09-imbalance1(base-line)
- 10-imbalance2(focal-loss)
اسلایدها با تهیه‌ی رایگان ویدیو با کلیک بر روی “شرکت در دوره” در لینک سبز رنگ سمت راست صفحه قابل مشاهده است
پیش نیازها:
این وبینار نیاز به آشنایی با شبکه های کانولوشنالی در کراس دارد، برای آشنایی با پیش نیاز ها می توانید دوره آموزشی مقدماتی شبکه های عصبی عمیق در Tensorflow/Keras را تهیه و استفاده کنید.
مهدی انصاری( خریدار محصول )
بسیار عالی بود
MSHADroo( خریدار محصول )
سپاس خیلی عالی بود
کیفیت تصاویر کدها بعضی جاها ناخوانا بود کیفیت ۱۰۸۰ میزاشتید بهتر بود
علیرضا اخوان پور(مدیریت)
آیا از منوی پایین سمت راست کیفیت را روی 720 ست کردید؟