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
In recent years, neural networks (NNs) have become increasingly popular for surrogate modeling tasks in mechanics and materials modeling applications. While traditional NNs are deterministic functions that rely solely on data to learn the input--output mapping, casting NN training within a Bayesian framework allows to quantify uncertainties, in particular epistemic uncertainties that arise from lack of training data, and to integrate a priori knowledge via the Bayesian prior. However, the high dimensionality and non-physicality of the NN parameter space, and the complex relationship between parameters (NN weights) and predicted outputs, renders both prior design and posterior inference challenging. In this work we present a novel BNN training scheme based on anchored ensembling that can integrate a priori information available in the function space, from e.g. low-fidelity models. The anchoring scheme makes use of low-rank correlations between NN parameters, learnt from pre-training to realizations of the functional prior. We also perform a study to demonstrate how correlations between NN weights, which are often neglected in existing BNN implementations, is critical to appropriately transfer knowledge between the function-space and parameter-space priors. Performance of our novel BNN algorithm is first studied on a small 1D example to illustrate the algorithm's behavior in both interpolation and extrapolation settings. Then, a thorough assessment is performed on a multi--input--output materials surrogate modeling example, where we demonstrate the algorithm's capabilities both in terms of accuracy and quality of the uncertainty estimation, for both in-distribution and out-of-distribution data.
چکیده به فارسی (ترجمه ماشینی)
در سالهای اخیر ، شبکه های عصبی (NNS) برای کارهای مدل سازی جانشین در برنامه های مکانیک و مدل سازی مواد به طور فزاینده ای محبوب شده اند.در حالی که NN های سنتی توابع قطعی هستند که صرفاً به داده ها برای یادگیری ورودی متکی هستند-نقشه برداری خروجی ، بازیگران آموزش NN در یک چارچوب بیزی ، اجازه می دهد تا عدم قطعیت ، به ویژه عدم قطعیت های معرفتی که ناشی از عدم وجود داده های آموزش است ، و ادغام دانش پیشینیاز طریق بیزی قبلی.با این حال ، ابعاد بالا و غیر جسمی فضای پارامتر NN ، و رابطه پیچیده بین پارامترها (وزن NN) و خروجی های پیش بینی شده ، طراحی قبلی و استنباط خلفی را به چالش می کشد.در این کار ما یک طرح آموزشی جدید BNN را بر اساس گروه های لنگرگاه ارائه می دهیم که می تواند اطلاعات پیشینی موجود در فضای عملکرد را ادغام کند ، به عنوان مثال.مدلهای کم وفاداری.این طرح لنگر انداختن از همبستگی های پایین بین پارامترهای NN ، که از قبل از آموزش تا تحقق قبلی عملکردی آموخته شده است ، استفاده می کند.ما همچنین یک مطالعه را انجام می دهیم تا نشان دهد که چگونه همبستگی بین وزن NN ، که اغلب در اجرای BNN موجود مورد غفلت قرار می گیرند ، برای انتقال مناسب دانش بین عملکرد فضا و Parameter-Space Preors بسیار مهم است.عملکرد الگوریتم BNN رمان ما برای اولین بار در یک مثال کوچک 1D مورد بررسی قرار می گیرد تا رفتار الگوریتم را در هر دو تنظیمات درون یابی و برون یابی نشان دهد.سپس ، یک ارزیابی کامل بر روی یک نمونه مدل سازی جانشین مواد خروجی چند ورودی انجام می شود ، که در آن ما توانایی های الگوریتم را هم از نظر دقت و هم از نظر تخمین عدم اطمینان ، هم برای توزیع و هم در خارج از توزیع نشان می دهیم.داده ها
📚 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
