خانه
آگوست 25, 2020 2025-10-23 0:59خانه
مقالات لب متلب
مکانیزمهای Attention در یادگیری ماشین
در این مقاله، با مفاهیم پایهای Attention، انواع آن، و نحوه عملکرد در مدلهای مختلف آشنا میشوید.
الگوریتمهای بهینه سازی در یادگیری ماشین
معرفی مهمترین الگوریتمهای بهینهسازی یادگیری ماشین (Optimization Algorithms) و توضیح کاربرد آنها در شبکههای کمعمق و عمیق
تفاوت بین Epoch، Batch و Mini-Batch در یادگیری عمیق
در یادگیری ماشین بهخصوص در یادگیری عمیق، مفاهیمی مثل «epoch»، «batch» و «mini-batch» از جمله مفاهیم کلیدی هستند که مستقیماً روی نحوهی آموزش مدل، سرعت همگرایی و دقت نهایی تاثیر میگذارند.
گرادیان کاهشی (Gradient Descent):
گرادیان کاهشی پایه بسیاری از الگوریتمهای بهینه سازی پیشرفته است. با درک درست از مقیاسبندی، نرخ یادگیری، نوع GD میتوانید مدلهای خود را سریعتر و دقیقتر آموزش دهید.
تقویت داده (Data Augmentation) در سیگنال و صوت
به منظور بهبود عملکرد مدل های یادگیری ماشین و جلوگیری از بیشبرازش، افزایش تعمیمپذیری و شبیهسازی تنوع دنیای واقعی استفاده از تقویت داده های صوتی ضرروی است انواع روش های تقویت داده های صوتی:
تقویت داده (Data Augmentation) در بینایی ماشین:
تقویت داده راهکاری موثر برای تضمین عملکرد مدل در محیطهای واقعی (نور کم، زاویههای عجیب، تغییرات آبوهوایی) می باشد. انواع روش های تقویت داده در بینایی ماشین
تفاوت کم برازش و بیش برازش در یادگیری ماشین
دو مفهوم کلیدی که اغلب باعث شکست مدلها میشوند، کم برازش (Underfitting) و بیش برازش (Overfitting) هستند. در این مقاله، به بررسی تفاوت این دو مفهوم میپردازیم
لیست مجاورت
لیست مجاورت یک ساختار داده است برای نمایش گرافها که هر رأس (گره) گراف، لیستی از رأسهای مجاور خود (یعنی رأسهایی که با آن یال دارند) را ذخیره میکند.
روش های انتخاب ویژگی
انتخاب ویژگی (Feature Selection) فرآیندی با هدف شناسایی و نگهداری مهمترین و مرتبطترین ویژگیها و حذف ویژگیهای غیرضروری بهمنظور بهبود عملکرد مدل، کاهش پیچیدگی و افزایش کارایی
دوره های آموزشی
دوره تخصصی میخوای؟
همین الان تو لُب متلَب جستجو کن...
عضویت در سایت
برای اطلاع از به روزرسانی های سایت در زمینه دوره ها آموزشی، مقالات جدید و کد های فروشگاه،
حساب کاربری ایجاد کنید.
