نشریه

در ابتدای مبحث یادگیری گروهی لازم است بیان کنیم که در یادگیری ماشین، روش Ensemble یا کلاسه بندی جمعی از چندین الگوریتم یادگیری اصطلاحاً ضعیف یا همان weak Learner که مدل‌های پایه هستند که با ترکیب چندین مدل ضعیف، مدل پیچیده‌ای ایجاد می‌شود. مدل‌های ضعیف باید تنها اندکی بهتر از حالت تصادفی یعنی Random Guess […]

الگوریتم ماشین بردار پشتیبان SVM با رویکرد یادگیری با نظارت در حل مسائل رده بندی و رگرسیون مورد استفاده قرار می گیرد. البته بیشترین موارد استفاده آن در مسائل رده بندی می باشد و برای اولین بار در سال ۱۹۹۵ توسط Vapnik برای مسئله رده بندی دودویی معرفی شد. توسعه این الگوریتم برای حل مسائل

در یادگیری مدل شبکه عصبی با تعریف تابع هزینه (زیان) مشابه مدل های رگرسیونی، به دنبال تعیین مقادیر وزن بهینه می باشیم به طوری که تابع هزینه را مینیمم کند. تفاوت مهم در شبکه عصبی MLP اینست که به علت وجود پرسپترون های متعدد (مدل های مینیاتوری کوچک) تغییرات جزئی در مقدار هر وزن، در

الگوریتم شبکه عصبی مصنوعی، با الهام از سیستم عصبی زیستی، با ایجاد شبکه ای از واحدهای پردازنده به نام نرون و اتصال آنها از طریق یال ها، عملیات محاسبه و ساخت مدل تصمیم گیری را انجام می دهد. هر یال، مانند سیناپس ها در شبکه عصبی زیستی، سیگنال های ورودی را به یک نرون منتقل

الگوریتم K-نزدیک ترین همسایگی (k-Nearest Neighbors) یک روش ناپارامتری است که در داده‌کاوی، یادگیری ماشین و تشخیص الگو مورد استفاده قرار می‌گیرد. بر اساس آمارهای ارائه شده در وب‌سایت kdnuggets الگوریتم k-نزدیک‌ترین همسایگی یکی از ده الگوریتمی است که بیشترین استفاده را در پروژه‌های گوناگون یادگیری ماشین و داده‌کاوی، هم در صنعت و هم در

در این درس مباحث رگرسیون لجستیک را در نرم افزار IBM SPSS Modeler پیاده سازی می کنیم. Pallet Bar 🡺 Modelling 🡺Logistic Pallet Bar 🡺 Field Ops 🡺 Type Pallet Bar 🡺 Output 🡺 Analysis

در این بخش نیز بررسی آماری مدل برازش شده در دو سطح معناداری برازش مدل و ضرایب به دست آمده انجام می شود. معناداری برازش مدل لجستیک یکی از روش های ارزیابی میزان برازش مدل در تحلیل رگرسیون لجستیک استفاده از نسبت درستنمایی (Likelihood Ratio) است که توزیع آماره آن   می باشد و معادل

رگرسیون لجستیک یکی از الگوریتم‌های طبقه‌بندی (Classification) است که برای اختصاص داده‌ها به مجموعه‌ای از کلاس‌ها استفاده می‌شود. برخی از نمونه‌های مسائل طبقه‌بندی عبارت‌اند از: طبقه‌بندی ایمیل‌ها به دو دسته‌ی ایمیل‌های اسپم (Spam) یا غیر اسپم (Not Spam) یا طبقه‌بندی معاملات آنلاین به دو دسته‌ی کلاهبرداری یا غیر کلاهبرداری یا طبقه‌بندی تومورهای بدخیم یا خوش‌خیم.

در این درس به پیاده سازی رگرسیون خطی در نرم افزار IBM SPSS Modeler  می پردازیم و با استفاده از دیتاست Car Insurance Claims ابتدا متغیر های موجود را بررسی می نماییم و متغیر هایی را که نیاز به تغییراتی برای مدلسازی ما دارند را آماده می نماییم. برای تبدیل متغیرهای Nominal از روش flag

وجود رابطه خطی بین ویژگی های ورودی و فیلد هدف توزیع نرمال خطاهای مدل رگرسیونی با میانگین صفر و واریانس ثابت عدم همبستگی بین خطاهای مدل رگرسیونی عدم هم خطی بین ویژگی های ورودی به مدل وجود رابطه خطی بین ویژگی های ورودی و فیلد هدف یکی از فرضیات اساسی مدل رگرسیون خطی، وجود ارتباط