ترجمه فارسی مقاله تجزیه و تحلیل تشخیص (بخش دوم): شیوع، استقلال خطی، و یادگیری بدون نظارت

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 Analysis of Diagnostics (Part II): Prevalence, Linear Independence, and Unsupervised Learning
عنوان مقاله به فارسی تجزیه و تحلیل تشخیص (بخش دوم): شیوع، استقلال خطی، و یادگیری بدون نظارت
نویسندگان Paul N. Patrone, Raquel A. Binder, Catherine S. Forconi, Ann M. Moormann, Anthony J. Kearsley
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Probability,یادگیری ماشین , یادگیری ماشین , احتمال ,
توضیحات Submitted 28 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 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

This is the second manuscript in a two-part series that uses diagnostic testing to understand the connection between prevalence (i.e. number of elements in a class), uncertainty quantification (UQ), and classification theory. Part I considered the context of supervised machine learning (ML) and established a duality between prevalence and the concept of relative conditional probability. The key idea of that analysis was to train a family of discriminative classifiers by minimizing a sum of prevalence-weighted empirical risk functions. The resulting outputs can be interpreted as relative probability level-sets, which thereby yield uncertainty estimates in the class labels. This procedure also demonstrated that certain discriminative and generative ML models are equivalent. Part II considers the extent to which these results can be extended to tasks in unsupervised learning through recourse to ideas in linear algebra. We first observe that the distribution of an impure population, for which the class of a corresponding sample is unknown, can be parameterized in terms of a prevalence. This motivates us to introduce the concept of linearly independent populations, which have different but unknown prevalence values. Using this, we identify an isomorphism between classifiers defined in terms of impure and pure populations. In certain cases, this also leads to a nonlinear system of equations whose solution yields the prevalence values of the linearly independent populations, fully realizing unsupervised learning as a generalization of supervised learning. We illustrate our methods in the context of synthetic data and a research-use-only SARS-CoV-2 enzyme-linked immunosorbent assay (ELISA).

چکیده به فارسی (ترجمه ماشینی)

این دومین نسخه خطی در یک سری دو قسمتی است که از آزمایش تشخیصی برای درک ارتباط بین شیوع (یعنی تعداد عناصر در یک کلاس) ، کمیت عدم اطمینان (UQ) و نظریه طبقه بندی استفاده می کند.قسمت اول زمینه یادگیری ماشین تحت نظارت (ML) را در نظر گرفت و دوگانگی بین شیوع و مفهوم احتمال مشروط نسبی ایجاد کرد.ایده اصلی این تحلیل ، آموزش خانواده ای از طبقه بندی کننده های تبعیض آمیز با به حداقل رساندن مجموعه ای از عملکردهای ریسک تجربی با وزن است.خروجی های حاصل را می توان به عنوان مجموعه های سطح احتمال نسبی تفسیر کرد ، که از این طریق برآورد عدم اطمینان در برچسب های کلاس را ارائه می دهد.این روش همچنین نشان داد که مدلهای ML تبعیض آمیز و مولد معادل هستند.قسمت دوم میزان افزایش این نتایج را می توان به وظایف در یادگیری بدون نظارت از طریق مراجعه به ایده های جبر خطی در نظر گرفت.ما ابتدا مشاهده می کنیم که توزیع یک جمعیت نجس ، که برای آن کلاس یک نمونه مربوطه ناشناخته است ، می تواند از نظر شیوع پارامتر شود.این به ما انگیزه می دهد تا مفهوم جمعیت مستقل خطی را معرفی کنیم ، که دارای مقادیر شیوع متفاوتی اما ناشناخته هستند.با استفاده از این ، ما یک ایزومورفیسم بین طبقه بندی کننده های تعریف شده از نظر ناخالص و جمعیت خالص را شناسایی می کنیم.در موارد خاص ، این همچنین منجر به یک سیستم غیرخطی از معادلات می شود که محلول آنها مقادیر شیوع جمعیت های مستقل خطی را به دست می آورد ، و به طور کامل یادگیری بدون نظارت را به عنوان تعمیم یادگیری تحت نظارت تحقق بخشید.ما روشهای خود را در زمینه داده های مصنوعی نشان می دهیم و یک روش ایمنی بدن مرتبط با آنزیم SARS-COV-2 فقط با استفاده از آن (ELISA).

📚 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.