اکسپرس 24
ترجمه فارسی مقاله در مورد انتخاب وزن‌های داخلی غیرقابل آموزش در نقشه‌های ویژگی تصادفی

ترجمه فارسی مقاله در مورد انتخاب وزن‌های داخلی غیرقابل آموزش در نقشه‌های ویژگی تصادفی

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 On the choice of the non-trainable internal weights in random feature maps
عنوان مقاله به فارسی در مورد انتخاب وزن‌های داخلی غیرقابل آموزش در نقشه‌های ویژگی تصادفی
نویسندگان Pinak Mandal, Georg A. Gottwald
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Machine Learning,Data Analysis, Statistics and Probability,Methodology,Machine Learning,یادگیری ماشین , تجزیه و تحلیل داده ها , آمار و احتمال , روش شناسی , یادگیری ماشین ,
توضیحات Submitted 7 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 960,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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 computationally cheap machine learning architecture of random feature maps can be viewed as a single-layer feedforward network in which the weights of the hidden layer are random but fixed and only the outer weights are learned via linear regression. The internal weights are typically chosen from a prescribed distribution. The choice of the internal weights significantly impacts the accuracy of random feature maps. We address here the task of how to best select the internal weights. In particular, we consider the forecasting problem whereby random feature maps are used to learn a one-step propagator map for a dynamical system. We provide a computationally cheap hit-and-run algorithm to select good internal weights which lead to good forecasting skill. We show that the number of good features is the main factor controlling the forecasting skill of random feature maps and acts as an effective feature dimension. Lastly, we compare random feature maps with single-layer feedforward neural networks in which the internal weights are now learned using gradient descent. We find that random feature maps have superior forecasting capabilities whilst having several orders of magnitude lower computational cost.

چکیده به فارسی (ترجمه ماشینی)

معماری یادگیری ماشین از نظر محاسباتی ارزان از نقشه های ویژگی تصادفی را می توان به عنوان یک شبکه تغذیه ای تک لایه ای مشاهده کرد که در آن وزن لایه پنهان تصادفی اما ثابت است و فقط وزن بیرونی از طریق رگرسیون خطی آموخته می شود.وزن داخلی به طور معمول از توزیع تجویز شده انتخاب می شود.انتخاب وزن داخلی به طور قابل توجهی بر صحت نقشه های ویژگی تصادفی تأثیر می گذارد.ما در اینجا وظیفه چگونگی انتخاب بهترین وزن های داخلی را می پردازیم.به طور خاص ، ما مشکل پیش بینی را در نظر می گیریم که به موجب آن از نقشه های ویژگی تصادفی برای یادگیری نقشه یک مرحله ای برای یک سیستم دینامیکی استفاده می شود.ما یک الگوریتم ضربه محاسباتی و ارزان قیمت را برای انتخاب وزن داخلی خوب ارائه می دهیم که منجر به مهارت پیش بینی خوب می شود.ما نشان می دهیم که تعداد ویژگی های خوب عامل اصلی کنترل مهارت پیش بینی نقشه های ویژگی تصادفی است و به عنوان یک بعد ویژگی مؤثر عمل می کند.سرانجام ، ما نقشه های ویژگی تصادفی را با شبکه های عصبی یک لایه تغذیه می کنیم که در آن وزن های داخلی اکنون با استفاده از نزول شیب آموخته می شوند.ما می دانیم که نقشه های ویژگی تصادفی دارای قابلیت های پیش بینی برتر در عین حال دارای چندین مرتبه از هزینه محاسباتی پایین تر هستند.

📚 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.