کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Outlier detection (OD) has a vast literature as it finds numerous applications in environmental monitoring, cybersecurity, finance, and medicine to name a few. Being an inherently unsupervised task, model selection is a key bottleneck for OD (both algorithm and hyperparameter selection) without label supervision. There is a long list of techniques to choose from -- both classical algorithms and deep neural architectures -- and while several studies report their hyperparameter sensitivity, the literature is quite slim on unsupervised model selection -- limiting the effective use of OD in practice. In this paper we present FoMo-0D, for zero/0-shot OD exploring a transformative new direction that bypasses the hurdle of model selection altogether (!), thus breaking new ground. The fundamental idea behind FoMo-0D is the Prior-data Fitted Networks, recently introduced by Muller et al.(2022), which trains a Transformer model on a large body of synthetically generated data from a prior data distribution. In essence, FoMo-0D is a pretrained Foundation Model for zero/0-shot OD on tabular data, which can directly predict the (outlier/inlier) label of any test data at inference time, by merely a single forward pass -- making obsolete the need for choosing an algorithm/architecture, tuning its associated hyperparameters, and even training any model parameters when given a new OD dataset. Extensive experiments on 57 public benchmark datasets against 26 baseline methods show that FoMo-0D performs statistically no different from the top 2nd baseline, while significantly outperforming the majority of the baselines, with an average inference time of 7.7 ms per test sample.
چکیده به فارسی (ترجمه ماشینی)
تشخیص دور (OD) ادبیات گسترده ای دارد زیرا کاربردهای بی شماری در نظارت بر محیط زیست ، امنیت سایبری ، امور مالی و دارو برای نامگذاری چند مورد پیدا می کند.به عنوان یک کار ذاتاً بدون نظارت ، انتخاب مدل یک تنگنای کلیدی برای OD (هم الگوریتم و هم انتخاب هایپرپارامتر) بدون نظارت برچسب است.یک لیست طولانی از تکنیک ها برای انتخاب وجود دارد - هم الگوریتم های کلاسیک و هم معماری های عصبی عمیق - و در حالی که چندین مطالعه حساسیت بهپرپارامتر خود را گزارش می دهند ، ادبیات در انتخاب مدل بدون نظارت کاملاً باریک است - محدود کردن استفاده مؤثر از OD در عمل.در این مقاله FOMO-0D را ارائه می دهیم ، برای صفر/0-shot OD که یک جهت جدید تحول آمیز را کشف می کند که مانع انتخاب مدل به طور کلی (!) می شود ، بنابراین زمینه جدید را می شکند.ایده اساسی در مورد FOMO-0D شبکه های متناسب با داده های قبلی است که اخیراً توسط مولر و همکاران (2022) معرفی شده است ، که یک مدل ترانسفورماتور را بر روی یک بدنه بزرگ از داده های تولید شده مصنوعی از توزیع داده های قبلی آموزش می دهد.در اصل ، FOMO-0D یک مدل پایه ای برای صفر/0-shot OD بر روی داده های جدولی است ، که می تواند به طور مستقیم برچسب (دورتر/بی پروا) از هرگونه داده تست را در زمان استنتاج پیش بینی کند ، صرفاً یک پاس به جلو-ساختمنسوخ کردن نیاز به انتخاب یک الگوریتم/معماری ، تنظیم HyperParameters مرتبط با آن و حتی آموزش هر پارامترهای مدل در هنگام داده شده OD جدید.آزمایش های گسترده ای در مورد 57 مجموعه داده معیار عمومی در برابر 26 روش پایه نشان می دهد که FOMO-0D از نظر آماری هیچ تفاوتی با پایه 2 برتر انجام نمی دهد ، در حالی که به طور قابل توجهی از اکثر خطوط پایه بهتر است ، با میانگین زمان استنتاج 7.7 میلی ثانیه در هر نمونه آزمون.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
