Forwarded from Meteor journal ☄ (Shahab)
🌌 سیاهچاله ها
سیاهچاله ناحیه ای از فضا-زمانه که بسیار پر جرمه و میدان گرانشی شدیدی رو اطراف خودش ایجاد کرده؛ به طوریکه هیچ چیز، حتی نور، نمیتونه از گرانش اون فرار کنه. وقتی ناحیه ای از فضا و زمان انقدر خمیده میشه، حالت «نقطه ای» پیدا میکنه.
برای واضح تر شدن مساله تصور کنید شما انگشت خودتون رو روی یک تشک فشار میدین. هرچقدر نیروی بیشتری رو در سطح کمتری (فشار بیشتری) وارد کنید، تشک بیشتر فرو میره. حالا فرض کنید یک سوزن رو روی تشک فشار بدید، فرو رفتگی تشک یک نقطه میشه و در نهایت اگر فشار رو باز هم بیشتر کنید تشک سوراخ میشه. توی این مسال فشار حکم چگالی جرم و تشک حکم فضا-زمان رو داره.
ایده ی وجود این جسم به قرن ها پیش برمیگرده ولی برای اولین بار «نسبیت عام» انیشتین پیش بینی کرد که وقتی ستاره ی سنگینی میمیره (سوختش تموم میشه) ، اگر جرم باقی مونده ی اون بیشتر از سه برابر جرم خورشید باشه، نیروی گرانش رو به داخل مواد تشکیل دهنده ی این ستاره به نیروهای رو به بیرون غلبه میکنه و جرم اون ستاره رو بسیار متمرکز میکنه. این متمرکز شدن جرم اونقدر ادامه پیدا میکنه تا سیاهچاله تشکیل بشه.
نهایتا جرمی که در مرکز سیاهچاله قرار داره اونقدر جمع میشه تا به معنای واقعی ریاضی به یک «تکینگی» (نقطه) تبدیل میشه.
جاذبه ی اطراف این تکینگی یک محفظه ی تاریک به نام «افق رویداد» ایجاد میکنه که مثل یک دستگاه مکنده ی قوی همه چیز رو به درون خودش میکشه. اما بیرون افق رویداد این مکش وجود نداره و نیروی گرانش فقط به صورت یک جاذبه متناسب با جرم و فاصله از سیاهچاله هستش.
به طور مثال فرض کنید ما بجای خورشید یک سیاهچاله با همون جرم قرار بدیم و زمین بیرون افق رویداد اون باشه. در این صورت ما به عنوان ناظری از زمین هیچ تفاوتی از نظر نیروی گرانش احساس نمیکنم و بلعیده نمیشیم. البته دما بخاطر نبود تابش به شدت افت میکنه.
اگر به عکس های موجود از سیاهچاله ها دقت کرده باشین، یک ناحیه ی تخم مرغی شکل از فضا به اسم «ergosphere» رو مشاهده میکنین که دور افق رویداد رو فرا گرفته. در این ناحیه فضا به داخل کشیده میشه اما هنوز (تا وقتی از افق رویداد رد نشده) چیزی به داخل سیاهچاله هدایت نشده و میتونه با صرف انرژی از سیاهچاله دور بشه.
به مرز ارگوسفر و فضای حقیقی هم «حد استاتیک» گفته میشه.
از اونجاییکه سیاهچاله ها به سختی قابل مشاهدن و هیچ چیز نمیتونه از گرانش اونها فرار کنه، یکی از راه های شناسایی (و محاسبه ی جرم) اونها توسط الگوی حرکت اجرام اطرافشونه. مثلا گاهی بر اساس حرکت اجرامی در نقطه ای از آسمان میبینیم جرمی (بر اساس محاسبات) که روی حرکت اونها اثر میذاره بسیار بیشتر از جرمیه که ما مشاهده میکنیم.
یکی از راه های دیگه برای مشاهده ی سیاهچاله ها پدیده ی «همگرایی گرانشی» یا «عدسی گرانشی» هستش. وقتی در یک نقطه از فضا چگالی جرم زیادی باشه، نوری که از اطراف اون جرم رد میشه در اثر جاذبه ی اون جرم دچار انحراف مسیر میشه و انگار بجای جسم پر جرم یک عدسی قرار داره که تصویر اجسام پشت خودش رو دچار بزرگ نمایی میکنه.
یک راه دیگه هم برای شناسایی سیاهچاله ها «تشعشعات» هستن. وقتی یک جرم داخل سیاهچاله میافته، به شدت گرم میشه و شتاب میگیره. این ماده ی به شدت داغ از خودش اشعه ی X ساطع میکنه که قابل اندازه گیریه.
#سیاهچاله #عدسی_گرانشی #نجوم
🙋🏻♂@meteorjournal
سیاهچاله ناحیه ای از فضا-زمانه که بسیار پر جرمه و میدان گرانشی شدیدی رو اطراف خودش ایجاد کرده؛ به طوریکه هیچ چیز، حتی نور، نمیتونه از گرانش اون فرار کنه. وقتی ناحیه ای از فضا و زمان انقدر خمیده میشه، حالت «نقطه ای» پیدا میکنه.
برای واضح تر شدن مساله تصور کنید شما انگشت خودتون رو روی یک تشک فشار میدین. هرچقدر نیروی بیشتری رو در سطح کمتری (فشار بیشتری) وارد کنید، تشک بیشتر فرو میره. حالا فرض کنید یک سوزن رو روی تشک فشار بدید، فرو رفتگی تشک یک نقطه میشه و در نهایت اگر فشار رو باز هم بیشتر کنید تشک سوراخ میشه. توی این مسال فشار حکم چگالی جرم و تشک حکم فضا-زمان رو داره.
ایده ی وجود این جسم به قرن ها پیش برمیگرده ولی برای اولین بار «نسبیت عام» انیشتین پیش بینی کرد که وقتی ستاره ی سنگینی میمیره (سوختش تموم میشه) ، اگر جرم باقی مونده ی اون بیشتر از سه برابر جرم خورشید باشه، نیروی گرانش رو به داخل مواد تشکیل دهنده ی این ستاره به نیروهای رو به بیرون غلبه میکنه و جرم اون ستاره رو بسیار متمرکز میکنه. این متمرکز شدن جرم اونقدر ادامه پیدا میکنه تا سیاهچاله تشکیل بشه.
نهایتا جرمی که در مرکز سیاهچاله قرار داره اونقدر جمع میشه تا به معنای واقعی ریاضی به یک «تکینگی» (نقطه) تبدیل میشه.
جاذبه ی اطراف این تکینگی یک محفظه ی تاریک به نام «افق رویداد» ایجاد میکنه که مثل یک دستگاه مکنده ی قوی همه چیز رو به درون خودش میکشه. اما بیرون افق رویداد این مکش وجود نداره و نیروی گرانش فقط به صورت یک جاذبه متناسب با جرم و فاصله از سیاهچاله هستش.
به طور مثال فرض کنید ما بجای خورشید یک سیاهچاله با همون جرم قرار بدیم و زمین بیرون افق رویداد اون باشه. در این صورت ما به عنوان ناظری از زمین هیچ تفاوتی از نظر نیروی گرانش احساس نمیکنم و بلعیده نمیشیم. البته دما بخاطر نبود تابش به شدت افت میکنه.
اگر به عکس های موجود از سیاهچاله ها دقت کرده باشین، یک ناحیه ی تخم مرغی شکل از فضا به اسم «ergosphere» رو مشاهده میکنین که دور افق رویداد رو فرا گرفته. در این ناحیه فضا به داخل کشیده میشه اما هنوز (تا وقتی از افق رویداد رد نشده) چیزی به داخل سیاهچاله هدایت نشده و میتونه با صرف انرژی از سیاهچاله دور بشه.
به مرز ارگوسفر و فضای حقیقی هم «حد استاتیک» گفته میشه.
از اونجاییکه سیاهچاله ها به سختی قابل مشاهدن و هیچ چیز نمیتونه از گرانش اونها فرار کنه، یکی از راه های شناسایی (و محاسبه ی جرم) اونها توسط الگوی حرکت اجرام اطرافشونه. مثلا گاهی بر اساس حرکت اجرامی در نقطه ای از آسمان میبینیم جرمی (بر اساس محاسبات) که روی حرکت اونها اثر میذاره بسیار بیشتر از جرمیه که ما مشاهده میکنیم.
یکی از راه های دیگه برای مشاهده ی سیاهچاله ها پدیده ی «همگرایی گرانشی» یا «عدسی گرانشی» هستش. وقتی در یک نقطه از فضا چگالی جرم زیادی باشه، نوری که از اطراف اون جرم رد میشه در اثر جاذبه ی اون جرم دچار انحراف مسیر میشه و انگار بجای جسم پر جرم یک عدسی قرار داره که تصویر اجسام پشت خودش رو دچار بزرگ نمایی میکنه.
یک راه دیگه هم برای شناسایی سیاهچاله ها «تشعشعات» هستن. وقتی یک جرم داخل سیاهچاله میافته، به شدت گرم میشه و شتاب میگیره. این ماده ی به شدت داغ از خودش اشعه ی X ساطع میکنه که قابل اندازه گیریه.
#سیاهچاله #عدسی_گرانشی #نجوم
🙋🏻♂@meteorjournal
💠 تور مجازی موزهٔ " Cradle of Aviation " با وسعت دید 360 درجه
👈🏼 رایگان بازدید کنید 👉🏼
#موزه
🙋🏻♂@meteorjournal
👈🏼 رایگان بازدید کنید 👉🏼
#موزه
🙋🏻♂@meteorjournal
🧠 این مکانیزم باعث میشه ما ناخوداگاه به سمت مصرف دوباره بریم. مثلا در حال قدم زدن راهمونو سمتی کج کنیم که باعث میشه ما الکل مصرف کنیم.
به طور کلی رفتار و اعمال ما در جست و جوی مصرف دوباره شکل میگیرن.
کتاب دوپامین؛ مولکولی با خواص شگفت انگیز
#اعتیاد
🙋🏻♂@meteorjournal
به طور کلی رفتار و اعمال ما در جست و جوی مصرف دوباره شکل میگیرن.
کتاب دوپامین؛ مولکولی با خواص شگفت انگیز
#اعتیاد
🙋🏻♂@meteorjournal
Media is too big
VIEW IN TELEGRAM
💻 چگونه یک رزومه خوب برای شغل برنامه نویسی بنویسیم؟
🔺چه مواردی را در رزومه بنویسیم؟
🔻چه مواردی را در رزومه ننویسیم؟
✔️ فیلم به زبان فارسی است.
منبع کانال یوتیوب amirhosseinab
#مهندسی_نرم_افزار #رزومه #استخدام
🙋🏻♀@meteorjournal
🔺چه مواردی را در رزومه بنویسیم؟
🔻چه مواردی را در رزومه ننویسیم؟
✔️ فیلم به زبان فارسی است.
منبع کانال یوتیوب amirhosseinab
#مهندسی_نرم_افزار #رزومه #استخدام
🙋🏻♀@meteorjournal
This media is not supported in your browser
VIEW IN TELEGRAM
⏳ آنتروپی چیست؟
🟢 چرا زمان در یک جهت حرکت می کند؟
🟡 قانون دوم ترمودینامیک
🟠 آنتروپی پایان جهان را چگونه توصیف میکند؟
✅ ویدئو دارای زیرنویس فارسی است
#آنتروپی
🙋🏻♂@meteorjournal
🟢 چرا زمان در یک جهت حرکت می کند؟
🟡 قانون دوم ترمودینامیک
🟠 آنتروپی پایان جهان را چگونه توصیف میکند؟
✅ ویدئو دارای زیرنویس فارسی است
#آنتروپی
🙋🏻♂@meteorjournal
This media is not supported in your browser
VIEW IN TELEGRAM
🧠 سرکوب احساسات چه صدماتی به ما وارد میکند؟
ریشه ی اکثر معضلات روحی نادیده گرفته شدن احساسات طبیعی ماست
♻️ ما عواطف خود را کنترل میکنیم؛ مشکلات روحی ما را کنترل میکنند.
#روانشناسی
🙋🏻♂@meteorjournal
ریشه ی اکثر معضلات روحی نادیده گرفته شدن احساسات طبیعی ماست
♻️ ما عواطف خود را کنترل میکنیم؛ مشکلات روحی ما را کنترل میکنند.
#روانشناسی
🙋🏻♂@meteorjournal
Forwarded from Meteor journal ☄ (Shahab)
This media is not supported in your browser
VIEW IN TELEGRAM
💡 سیم پیچ تسلا
سیم پیچ تسلا یک مدار مبدل تشدید کنندست که در سال 1891م توسط نیکولا تسلا ساخته شده و برای تولید برق AC با فرکانس و ولتاژ بالا استفاده میشه.
یکی از کاربردهای این وسیله انتقال انرژی الکتریکی یا پیام بدون سیمه و تسلا میخواست با اتمام پروژه ی برج واردنکلیف (Wardenclyffe) به همه برق بی سیم و رایگان برسونه.
⚡️ دلیل نورهای اطراف سیم پیچ توی پست #قوس_الکتریکی توضیح داده شده
💡 طرز کار و ساخت سیم پیچ
کلیپ بالا هم از دانشجوهای دانشگاه شیرازه.
#برق #تسلا #سیم_پیچ_تسلا #برج_تسلا
🙋🏻♂@meteorjournal
سیم پیچ تسلا یک مدار مبدل تشدید کنندست که در سال 1891م توسط نیکولا تسلا ساخته شده و برای تولید برق AC با فرکانس و ولتاژ بالا استفاده میشه.
یکی از کاربردهای این وسیله انتقال انرژی الکتریکی یا پیام بدون سیمه و تسلا میخواست با اتمام پروژه ی برج واردنکلیف (Wardenclyffe) به همه برق بی سیم و رایگان برسونه.
⚡️ دلیل نورهای اطراف سیم پیچ توی پست #قوس_الکتریکی توضیح داده شده
💡 طرز کار و ساخت سیم پیچ
کلیپ بالا هم از دانشجوهای دانشگاه شیرازه.
#برق #تسلا #سیم_پیچ_تسلا #برج_تسلا
🙋🏻♂@meteorjournal
Media is too big
VIEW IN TELEGRAM
⏱ آیا زمان حقیقیست؟ یا تنها زاده ی توهم ماست؟
🟡 قانون دوم ترمودینامیک
✅ زیرنویس فارسی
#فیزیک #زمان
🙋🏻♂ @meteorjournal
🟡 قانون دوم ترمودینامیک
✅ زیرنویس فارسی
#فیزیک #زمان
🙋🏻♂ @meteorjournal
بوم مدل کسب و کار دن استاتز.rar
288.2 MB
🔴 The business model canvas
By: dan stotz
▫️دوره آموزشی بوم مدل کسب و کار دن استارتز
▫️۱۵ فیلم انیمیشن آموزشی
▫️با زیر نویس فارسی
#کارآفرینی #بوم_کسب_و_کار #آموزشی
🙋🏻♀@meteorjournal
By: dan stotz
▫️دوره آموزشی بوم مدل کسب و کار دن استارتز
▫️۱۵ فیلم انیمیشن آموزشی
▫️با زیر نویس فارسی
#کارآفرینی #بوم_کسب_و_کار #آموزشی
🙋🏻♀@meteorjournal
دوپامین_مولکولی_با_خواص_شگفت_انگیز.zip
203.7 MB
📚 کتاب صوتی دوپامین؛ مولکولی با خواص شگفت انگیز
نوشته: دنیل ز. لیبرمن - مایکل ای. لانگ
ترجمه: دکتر محمداسماعیل فلزی
🟣 با بخش های مربوط به حال و آینده ی مغز بیشتر آشنا شوید
🔵 نبوغ چیست؟
🟢 بیماری های روانی چگونه بوجود میایند؟
🟡 رفتارهای ما چگونه شکل میگیرند؟
#کتاب_صوتی #کتاب
🙋🏻♂@meteorjournal
نوشته: دنیل ز. لیبرمن - مایکل ای. لانگ
ترجمه: دکتر محمداسماعیل فلزی
🟣 با بخش های مربوط به حال و آینده ی مغز بیشتر آشنا شوید
🔵 نبوغ چیست؟
🟢 بیماری های روانی چگونه بوجود میایند؟
🟡 رفتارهای ما چگونه شکل میگیرند؟
#کتاب_صوتی #کتاب
🙋🏻♂@meteorjournal
#سوالات_مصاحبه_استخدامی_متخصص_علم_داده
#سوال_سه
⁉️بایاس و واریانس چیست؟
✔️ بایاس: بایاس خطایی است که به علت ساده بودن بیش از حد الگوریتم یادگیری ماشین به وجود آمده است. زمانی که مدل را آموزش می دهیم، مدل فرض ساده شده ایی را ایجاد می کند تا برای تابع هدف آسان تر قابل درک باشد. بایاس ممکن است منجر به کم برازش (underfitting) شود.
✔️ واریانس: واریانس خطایی است که به علت پیچیده بودن الگوریتم یادگیری ماشین به وجود می آید. در اینجا مدل حتی نویزها را از مجموعه داده آموزشی (training set)، یاد می گیرد اما در مجموعه داده آزمایش (test dataset) عملکرد خوبی ندارد. واریانس می تواند منجر به بیش برازش (overfitting) شود.
🔻 الگوریتم های یادگیری ماشین با بایاس کم: درختان تصمیم، K-NN و SVM
🔺الگوریتم های یادگیری ماشین با بایاس زیاد: رگرسیون خطی، رگرسیون لجستیک.
منبع: سایت www.edureka.co
👩🏻💻@meteorjournal
#سوال_سه
⁉️بایاس و واریانس چیست؟
✔️ بایاس: بایاس خطایی است که به علت ساده بودن بیش از حد الگوریتم یادگیری ماشین به وجود آمده است. زمانی که مدل را آموزش می دهیم، مدل فرض ساده شده ایی را ایجاد می کند تا برای تابع هدف آسان تر قابل درک باشد. بایاس ممکن است منجر به کم برازش (underfitting) شود.
✔️ واریانس: واریانس خطایی است که به علت پیچیده بودن الگوریتم یادگیری ماشین به وجود می آید. در اینجا مدل حتی نویزها را از مجموعه داده آموزشی (training set)، یاد می گیرد اما در مجموعه داده آزمایش (test dataset) عملکرد خوبی ندارد. واریانس می تواند منجر به بیش برازش (overfitting) شود.
🔻 الگوریتم های یادگیری ماشین با بایاس کم: درختان تصمیم، K-NN و SVM
🔺الگوریتم های یادگیری ماشین با بایاس زیاد: رگرسیون خطی، رگرسیون لجستیک.
منبع: سایت www.edureka.co
👩🏻💻@meteorjournal
This media is not supported in your browser
VIEW IN TELEGRAM
🔭 اگر بدون محافظ با تلسکوپ به خورشید نگاه کنیم چه اتفاقی میافتد؟
معرفی میکنم: کابوس منجمان😅
🛑 این اتفاق باعث کوری در کسری از ثانیه میشه
#نجوم #رصد
🧑🏻🚀@meteorjournal
معرفی میکنم: کابوس منجمان😅
🛑 این اتفاق باعث کوری در کسری از ثانیه میشه
#نجوم #رصد
🧑🏻🚀@meteorjournal
Media is too big
VIEW IN TELEGRAM
🦋 اثر پروانه ای چگونه کار میکند؟
🟢 نظریه ی آشوب چیست؟
🟡 الگوهای فرکتال چگونه بوجود میایند؟
#اثر_پروانه_ای #نظریه_آشوب #فرکتال
🙋🏻♂@meteorjournal
🟢 نظریه ی آشوب چیست؟
🟡 الگوهای فرکتال چگونه بوجود میایند؟
#اثر_پروانه_ای #نظریه_آشوب #فرکتال
🙋🏻♂@meteorjournal
👍1
Theory of Stellar Structure.pdf
63.5 MB
📚 کتاب ساختار و تحول ستاره ای
نوشته دیانا پریالینک
ویرایش دوم
❗️زبان انگلیسی
#کتاب #نجوم
🙋🏻♂@meteorjournal
نوشته دیانا پریالینک
ویرایش دوم
❗️زبان انگلیسی
#کتاب #نجوم
🙋🏻♂@meteorjournal
This media is not supported in your browser
VIEW IN TELEGRAM
💻 کلان داده (Big Data) چیست؟
⁉️ پنج مشخصه اصلی کلان داده (5V):
▫️حجم و اندازه (VOLUME): حجم داده های تولید شده توسط منابع مختلف بسیار زیاد است.
▫️سرعت (VELOCITY): سرعت تولید داده ها بسیار بالاست.
▫️تنوع (VARIETY): داده ها در فرمت های گوناگونی مانند ساختاریافته، نیمه ساختاریافته و بدون ساختار تولید می شوند.
▫️صحت (VARACITY): داده ها درست هستند و می توانیم به آنها اعتماد کنیم.
▫️ارزش (VALUE): داده ها دارای ارزش ذاتی هستند .
⁉️ فریم ورک های ذخیره و پردازش داده:
▫️هدوپ
▫️اسپارک
▫️کاساندرا
✔️ ویدئو به زبان انگلیسی همراه زیر نویس انگلیسی است.
🙋🏻♀@meteorjournal
⁉️ پنج مشخصه اصلی کلان داده (5V):
▫️حجم و اندازه (VOLUME): حجم داده های تولید شده توسط منابع مختلف بسیار زیاد است.
▫️سرعت (VELOCITY): سرعت تولید داده ها بسیار بالاست.
▫️تنوع (VARIETY): داده ها در فرمت های گوناگونی مانند ساختاریافته، نیمه ساختاریافته و بدون ساختار تولید می شوند.
▫️صحت (VARACITY): داده ها درست هستند و می توانیم به آنها اعتماد کنیم.
▫️ارزش (VALUE): داده ها دارای ارزش ذاتی هستند .
⁉️ فریم ورک های ذخیره و پردازش داده:
▫️هدوپ
▫️اسپارک
▫️کاساندرا
✔️ ویدئو به زبان انگلیسی همراه زیر نویس انگلیسی است.
🙋🏻♀@meteorjournal
This media is not supported in your browser
VIEW IN TELEGRAM
⚗ آزمایش منحنی هویگنس
مهم نیست گلوله ها در چه ارتفاعی نسبت به هم قرار بگیرن؛ نهایتا در مرکز منحنی به هم میرسن.
زمان رسیدن گوی به پایین ترین سطح منحنی همواره برابره با عدد پی ضربدر جذر شعاع نیم دایره تقسیم بر ثابت گرانش.
#فیزیک #منحنی_هویگنس #خم_همزمانی
🙋🏻♂@meteorjournal
مهم نیست گلوله ها در چه ارتفاعی نسبت به هم قرار بگیرن؛ نهایتا در مرکز منحنی به هم میرسن.
زمان رسیدن گوی به پایین ترین سطح منحنی همواره برابره با عدد پی ضربدر جذر شعاع نیم دایره تقسیم بر ثابت گرانش.
#فیزیک #منحنی_هویگنس #خم_همزمانی
🙋🏻♂@meteorjournal
#سوالات_مصاحبه_استخدامی_متخصص_علم_داده
#سوال_چهار
⁉️ رابطه بین بایاس و واریانس چیست؟
✔️ زمانی که پیچیدگی مدل افزایش می یابد، به دلیل بایاس کمتر در مدل، خطا کاهش می یابد. البته، همانطور که در شکل می بینید، این کاهش تا نقطه خاصی ادامه می یاید. اگر پیچیدگی مدل باز هم افزایش یاید، مدل دچار بیش برازش و واریانس بالا می شود.
موازنه بایاس و واریانس: هدف هر الگوریتم یادگیری ماشین نظارتی این است که بایاس و واریانس کمی داشته باشند تا بتواند پیش بینی خوبی انجام دهد.
الگوریتم KNN بایاس کم و واریانس بالایی دارد، اما تعادل می تواند با افزایش مقدار k که تعداد همسایگان مشارکت کننده در پیش بینی است، تغییر کند و بایاس مدل افزایش یابد.
الگوریتم SVR بایاس کم و واریانس بالا دارد. اما تعادل با افزایش پارامتر C که بر تعداد خطاهای حاشیه مجاز در داده آموزشی تاثیر می گذارد، تغییر می کند تا بایاس افزایش یابد و واریانس کاهش یابد.
🔺هیچ راه حلی برای گریز از رابطه بایاس و واریانس در یادگیری ماشین وجود ندارد. افزایش بایاس موجب کاهش واریانس می شود. افزایش واریانس نیز سبب کاهش بایاس می شود.
منبع: https://www.edureka.co
🙋🏻♀@meteorjournal
#سوال_چهار
⁉️ رابطه بین بایاس و واریانس چیست؟
✔️ زمانی که پیچیدگی مدل افزایش می یابد، به دلیل بایاس کمتر در مدل، خطا کاهش می یابد. البته، همانطور که در شکل می بینید، این کاهش تا نقطه خاصی ادامه می یاید. اگر پیچیدگی مدل باز هم افزایش یاید، مدل دچار بیش برازش و واریانس بالا می شود.
موازنه بایاس و واریانس: هدف هر الگوریتم یادگیری ماشین نظارتی این است که بایاس و واریانس کمی داشته باشند تا بتواند پیش بینی خوبی انجام دهد.
الگوریتم KNN بایاس کم و واریانس بالایی دارد، اما تعادل می تواند با افزایش مقدار k که تعداد همسایگان مشارکت کننده در پیش بینی است، تغییر کند و بایاس مدل افزایش یابد.
الگوریتم SVR بایاس کم و واریانس بالا دارد. اما تعادل با افزایش پارامتر C که بر تعداد خطاهای حاشیه مجاز در داده آموزشی تاثیر می گذارد، تغییر می کند تا بایاس افزایش یابد و واریانس کاهش یابد.
🔺هیچ راه حلی برای گریز از رابطه بایاس و واریانس در یادگیری ماشین وجود ندارد. افزایش بایاس موجب کاهش واریانس می شود. افزایش واریانس نیز سبب کاهش بایاس می شود.
منبع: https://www.edureka.co
🙋🏻♀@meteorjournal
Meteor journal ☄ pinned «📚 لیست کتابهای موجود در کانال 🔺🔺 کتابهای فارسی: همه دروغ می گویند (نسخه صوتی) کتاب زندگی ۳.۰؛ انسانبودن در عصر هوش مصنوعی (نسخه صوتی) ۲۰ تغییر بزرگ تکنولوژی تا سال ۲۰۵۰ یادگیری عمیق (اصول مفاهیم و رویکردها) کتاب صد سال دگر کتاب ۹ مرد موفق، ۹۰ رمز…»