Submitted 26 August, 2024; originally announced August 2024. , Comments: 15 pages, 9 figures, submitted to Faraday Discussions: "Data-driven discovery in the chemical sciences", 2024
توضیحات به فارسی
ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 15 صفحه ، 9 شکل ، به بحث های فارادی ارسال شده است: "کشف داده محور در علوم شیمیایی" ، 2024
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
The widespread application of machine learning (ML) to the chemical sciences is making it very important to understand how the ML models learn to correlate chemical structures with their properties, and what can be done to improve the training efficiency whilst guaranteeing interpretability and transferability. In this work, we demonstrate the wide utility of prediction rigidities, a family of metrics derived from the loss function, in understanding the robustness of ML model predictions. We show that the prediction rigidities allow the assessment of the model not only at the global level, but also on the local or the component-wise level at which the intermediate (e.g. atomic, body-ordered, or range-separated) predictions are made. We leverage these metrics to understand the learning behavior of different ML models, and to guide efficient dataset construction for model training. We finally implement the formalism for a ML model targeting a coarse-grained system to demonstrate the applicability of the prediction rigidities to an even broader class of atomistic modeling problems.
چکیده به فارسی (ترجمه ماشینی)
کاربرد گسترده یادگیری ماشین (ML) در علوم شیمیایی این است که درک کنیم که چگونه مدل های ML یاد می گیرند که ساختارهای شیمیایی را با خواص خود ارتباط برقرار کنند و چه کاری می تواند برای بهبود کارآیی آموزش در عین حال تضمین تفسیر و انتقال پذیری انجام شود.در این کار ، ما ابزار گسترده ای از سفت و سخت پیش بینی ، خانواده ای از معیارهای حاصل از عملکرد از دست دادن ، در درک استحکام پیش بینی های مدل ML را نشان می دهیم.ما نشان می دهیم که سفت و سخت پیش بینی امکان ارزیابی مدل را نه تنها در سطح جهانی ، بلکه در سطح محلی یا مؤلفه ای که در آن پیش بینی های واسطه ای (به عنوان مثال اتمی ، بدنه سفارش یا جدا شده) انجام می شود ، امکان می دهد.بشرما از این معیارها برای درک رفتار یادگیری مدل های مختلف ML و هدایت ساخت کارآمد مجموعه داده ها برای آموزش مدل استفاده می کنیم.ما سرانجام فرمالیسم را برای یک مدل ML که یک سیستم درشت دانه را هدف قرار می دهد ، برای نشان دادن کاربرد سفت و سخت پیش بینی در یک طبقه حتی گسترده تر از مشکلات مدل سازی اتمی پیاده سازی می کنیم.
📚 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
