🔴 10 تا از پرکاربردترین‌ها توابع زیان در ML


👨🏻‍💻 وقتی می‌خوای مدلت رو آموزش بدی، انتخاب درست تابع زیان از نون شب هم واجب‌تره!

✅ بسته به اینکه مدل رگرسیون باشه یا طبقه‌بندی، باید بدونی کدوم تابع برات بهتر جواب می‌ده.


📂 مدل رگرسیون


🔢 خطای بایاس میانگین

⬅️ میانگین خطای مدل رو نشون می‌ده اما خیلی استفاده نمی‌شه چون خطای مثبت و منفی همدیگه رو خنثی می‌کنن.


🔢 میانگین قدرمطلق خطا

⬅️ میانگین اختلاف مطلق بین پیش‌بینی و مقدار واقعی. برای مدل‌هایی خوبه که می‌خوای همه خطاها رو یکسان ببینی.


🔢 میانگین مربعات خطا

⬅️ خطاهای بزرگ‌تر رو شدیدتر جریمه می‌کنه؛ واسه مدل‌هایی که Outlier داری یکم حساسه.


🔢 ریشه میانگین مربعات خطا

⬅️ مثل MSEئه، ولی تهش رادیکال می‌گیری، واحدش می‌شه مثل مقدار واقعی y.


🔢 تابع هابر

⬅️ ترکیبی از MAE و MSEئه. برای خطاهای کوچیک MSE، برای خطاهای بزرگ MAE. ولی یه پارامتر اضافه داره (دلتا).


🔢 تابع زیان لاگ-کاش

⬅️ جایگزین بدون پارامتر برای هابر. گرچه یه کم سنگین‌تره محاسباتش.

➖➖➖➖➖➖➖➖➖

📂 مدل طبقه‌بندی


1⃣ زیان متقاطع دودویی

⬅️ برای مدل‌های دوتایی. تفاوت بین برچسب واقعی و احتمال پیش‌بینی‌شده رو با لگاریتم حساب می‌کنه.


🔢 تابع زیان هینج

⬅️ مخصوص SVMهاست. حتی اگه پیش‌بینی درست باشه ولی با اطمینان پایین، باز هم جریمه می‌شه.


🔢 زیان متقاطع چندکلاسه

⬅️ نسخه‌ی چندکلاسه‌ی BCE. مرسوم‌ترین تابع برای طبقه‌بندی.


🔢 واگرایی کولبک-لایبلر

⬅️ وقتی می‌خوای یه توزیع رو با یه توزیع دیگه تقریب بزنی. تو کلاسه‌بندی معمولی، همون کراس‌انتروپیه، ولی تو مدل‌های فشرده‌سازی یا t-SNE کاربرد داره.



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

❓ چرا پایتون رو انتخاب کردم؟

👨🏻‍💻 الکس وانگ پژوهشگر حوزه دیتا یه جمله باحال داره که میگه: "زندگی کوتاهه، پس از پایتون استفاده کن".😁

✏️ اولش که وارد حوزه داده شدم، یه عالمه ابزار و زبان برنامه نویسی جلوم بود و نمی‌دونستم از کجا شروع کنم. هرکسی یه چیزی پیشنهاد می‌داد و هر روزم اسم یه زبان یا ابزار جدیدو می‌شنیدم و واقعا گیج شده بودم. تا اینکه با پایتون آشنا شدم.

🏳️‍🌈 پایتون برای من فقط یه زبان برنامه‌نویسی نبود؛ یه جعبه ابزار کامل بود که از تمیز و مرتب کردن داده‌های کثیف با pandas، تا ساخت نمودارهای دیدنی با Matplotlib رو شامل می‌شد.

💸 شاید براتون جالب باشه که بدونین:

✅ پایتون بیش از ۴۷۰ هزار کتابخونه و بسته تو PyPI داره و ۶۹٪ دیتا ساینتیست‌های دنیا ازش استفاده می‌کنن!

⏪ حالا من اومدم یه لیست جامع از پر کاربردترین این ابزارها رو اینجا قرار دادم:


1️⃣ پردازش داده‌ها:

CuPy / Datatable / Vaex / Pandas

Modin / Polars / NumPy


2️⃣ تحلیل آماری:

SciPy / PyMC3 / PyStan

Statsmodels / Lifelines / Pingouin


3️⃣ پردازش زبان طبیعی:

NLTK / BERT / spaCy / TextBlob

Polyglot / Genism / Pattern


4️⃣ تحلیل سری‌های زمانی:

Kats / Sktime / Darts

AutoTS / Prophet


5️⃣ مصورسازی داده‌ها:

Plotly / Altair / Matplotlib / Seaborn

Geoplotlib / Pygal / Folium / Bokeh


6️⃣ یادگیری ماشین:

JAX / Keras / Theano / XGBoost

Scikit-learn / TensorFlow / PyTorch


7️⃣ عملیات پایگاه داده:

Dask / PySpark / Ray

Koalas / Kafka / Hadoop


8️⃣ استخراج داده‌ها از وب:

Beautiful Soup / Scrapy

Octoparse / Selenium



🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa

📖 کتاب رایگان و بی‌نظیر «مقدمه‌ای بر آمار»


👨🏻‍💻 بدون یه پایه محکم تو آمار، کار تو حوزه‌هایی مثل یادگیری ماشین و تحلیل داده واقعا سخته. من خودم با خوندن کتاب Introduction to Modern Statistics کلی جلو افتادم. هم محتواش روان و ساده‌ست، هم رایگانه!

📘 این کتاب به مفاهیمی مثل تحلیل اکتشافی داده، رگرسیون، آزمون فرضیه و کلی موضوع دیگه می‌پردازه.

⏪ جدیدا هم نسخه دومش منتشر شده، هم محتواش به‌روزتر شده، هم تمرین‌های بیشتری داره.


┌ 🔖 Intro to Modern Statistics
└ 📖 Book (Web)



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🎓 مجموعه‌ای از بهترین دوره‌های رایگان در زمینه هوش مصنوعی و تحلیل داده از دانشگاه‌های MIT ، استنفورد و هاروارد

🆓 کاملا رایگان🆓

📌 Introduction to Computer Science and Programming Using Python (MIT)
🌐 About this course

📌 Introduction to Computational Thinking and Data Science (MIT)
🌐 About this course

📌 The Analytics Edge (MIT)
🌐 About this course

📌 Machine Learning (MIT)
🌐 About this course

📌 Introduction to Deep Learning (MIT)
🌐 About this course

📌 Artificial Intelligence (MIT)
🌐 About this course

📌 Optimization Methods (MIT)
🌐 About this course

📌 Probabilistic Systems Analysis and Applied Probability (MIT)
🌐 About this course

📌 Statistical Thinking and Data Analysis (MIT)
🌐 About this course

📌 Optimization Methods in Management Science (MIT)
🌐 About this course

📌 Databases (Stanford)
🌐 About this course

📌 Mining Massive Datasets (Stanford)
🌐 About this course

📌 Statistical Learning (Stanford)
🌐 About this course

📌 Computer Science 101 (Stanford)
🌐 About this course

📌 Algorithms: Design and Analysis (Stanford)
🌐 Part 1 - About this course
🌐 Part 2 - About this course

📌 Convex Optimization (Stanford)
🌐 About this course

📌 Introduction to Artificial Intelligence with Python (Harvard)
🌐 About this course

📌 Data Science: Machine Learning (Harvard)
🌐 About this course

📌 Data Science: Probability (Harvard)
🌐 About this course



✔️ @aiacademy_today
✔️@Chamran_rc

#مرکز_تحقیقات_شهید_چمران