ترجمه فارسی مقاله استنباط برای مدل های رگرسیون در مقیاس بزرگ با خطاهای وابسته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Inference for Large Scale Regression Models with Dependent Errors
عنوان مقاله به فارسی استنباط برای مدل های رگرسیون در مقیاس بزرگ با خطاهای وابسته
نویسندگان Lionel Voirol, Haotian Xu, Yuming Zhang, Luca Insolia, Roberto Molinari, Stéphane Guerrier
فرمت مقاله انگلیسی PDF
تعداد صفحات 53
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Methodology,Applications,Computation,Machine Learning,روش شناسی , برنامه ها , محاسبات , یادگیری ماشین ,
توضیحات Submitted 8 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 8 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The exponential growth in data sizes and storage costs has brought considerable challenges to the data science community, requiring solutions to run learning methods on such data. While machine learning has scaled to achieve predictive accuracy in big data settings, statistical inference and uncertainty quantification tools are still lagging. Priority scientific fields collect vast data to understand phenomena typically studied with statistical methods like regression. In this setting, regression parameter estimation can benefit from efficient computational procedures, but the main challenge lies in computing error process parameters with complex covariance structures. Identifying and estimating these structures is essential for inference and often used for uncertainty quantification in machine learning with Gaussian Processes. However, estimating these structures becomes burdensome as data scales, requiring approximations that compromise the reliability of outputs. These approximations are even more unreliable when complexities like long-range dependencies or missing data are present. This work defines and proves the statistical properties of the Generalized Method of Wavelet Moments with Exogenous variables (GMWMX), a highly scalable, stable, and statistically valid method for estimating and delivering inference for linear models using stochastic processes in the presence of data complexities like latent dependence structures and missing data. Applied examples from Earth Sciences and extensive simulations highlight the advantages of the GMWMX.

چکیده به فارسی (ترجمه ماشینی)

رشد نمایی در اندازه داده ها و هزینه های ذخیره سازی چالش های قابل توجهی را برای جامعه علوم داده به وجود آورده است و نیاز به راه حل هایی برای اجرای روش های یادگیری بر روی چنین داده هایی دارد.در حالی که یادگیری ماشین برای دستیابی به دقت پیش بینی کننده در تنظیمات داده های بزرگ ، استنباط آماری و ابزارهای کمیت عدم اطمینان هنوز عقب مانده اند.زمینه های علمی اولویت داده های گسترده ای را برای درک پدیده هایی که معمولاً با روشهای آماری مانند رگرسیون مورد مطالعه قرار می گیرند ، جمع می کنند.در این تنظیم ، تخمین پارامتر رگرسیون می تواند از روشهای محاسباتی کارآمد بهره مند شود ، اما چالش اصلی در پارامترهای فرآیند خطای محاسبه با ساختارهای پیچیده کواریانس نهفته است.شناسایی و برآورد این ساختارها برای استنباط ضروری است و اغلب برای کمیت عدم اطمینان در یادگیری ماشین با فرآیندهای گاوسی مورد استفاده قرار می گیرد.با این حال ، برآورد این ساختارها به عنوان مقیاس داده ها سنگین می شود و نیاز به تقریب هایی دارد که قابلیت اطمینان خروجی ها را به خطر می اندازد.وقتی پیچیدگی هایی مانند وابستگی های دوربرد یا داده های مفقود وجود دارد ، این تقریبی حتی غیرقابل اعتماد تر است.این کار خصوصیات آماری روش کلی لحظات موجک را با متغیرهای برونزا (GMWMX) ، یک روش بسیار مقیاس پذیر ، پایدار و آماری معتبر برای برآورد و ارائه استنباط برای مدل های خطی با استفاده از فرآیندهای تصادفی در حضور پیچیده های داده تعریف و اثبات می کند.ساختار وابستگی نهفته و داده های گمشده.نمونه های کاربردی از علوم زمین و شبیه سازی های گسترده مزایای GMWMX را برجسته می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.