Submitted 29 August, 2024; v1 submitted 23 August, 2024; originally announced August 2024. , Comments: v2: Fixed correspondence email 29 pages, 9 figures, 3 tables An online version of this paper is available at https://alcrene.github.io/emd-paper/abstract.html
توضیحات به فارسی
ارسال شده 29 اوت 2024 ؛V1 ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: V2: ایمیل مکاتبات ثابت 29 صفحه ، 9 شکل ، 3 جدول نسخه آنلاین این مقاله در https://alcrene.github.io/emd-paper/abstract.html در دسترس است
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
Fitting models to data is an important part of the practice of science, made almost ubiquitous by advances in machine learning. Very often however, fitted solutions are not unique, but form an ensemble of candidate models -- qualitatively different, yet with comparable quantitative performance. One then needs a criterion which can select the best candidate models, or at least falsify (reject) the worst ones. Because standard statistical approaches to model selection rely on assumptions which are usually invalid in scientific contexts, they tend to be overconfident, rejecting models based on little more than statistical noise. The ideal objective for fitting models is generally considered to be the risk: this is the theoretical average loss of a model (assuming unlimited data). In this work we develop a nonparametric method for estimating, for each candidate model, the epistemic uncertainty on its risk: in other words we associate to each model a distribution of scores which accounts for expected modelling errors. We then propose that a model falsification criterion should mirror established experimental practice: a falsification result should be accepted only if it is reproducible across experimental variations. The strength of this approach is illustrated using examples from physics and neuroscience.
چکیده به فارسی (ترجمه ماشینی)
مدل های متناسب با داده ها بخش مهمی از تمرین علم است که با پیشرفت در یادگیری ماشین تقریباً همه گیر است.با این حال ، خیلی اوقات ، راه حل های متناسب منحصر به فرد نیستند ، اما مجموعه ای از مدل های نامزد را تشکیل می دهند - از نظر کیفی متفاوت ، اما با عملکرد کمی قابل مقایسه.سپس نیاز به معیار دارد که می تواند بهترین مدل های نامزد را انتخاب کند ، یا حداقل بدترین آنها را جعل کند (رد کنید).از آنجا که رویکردهای آماری استاندارد برای انتخاب مدل به فرضیاتی متکی هستند که معمولاً در زمینه های علمی نامعتبر هستند ، آنها تمایل به داشتن بیش از حد دارند و مدل ها را بر اساس کمی بیشتر از سر و صدای آماری رد می کنند.هدف ایده آل برای مدل های مناسب به طور کلی خطر در نظر گرفته می شود: این میانگین از دست دادن نظری یک مدل (با فرض داده های نامحدود) است.در این کار ما یک روش غیر پارامتری برای تخمین ، برای هر مدل نامزد ، عدم اطمینان معرفتی در مورد خطر آن ایجاد می کنیم: به عبارت دیگر ما با هر مدل توزیع نمرات را که خطاهای مدل سازی مورد انتظار را تشکیل می دهد ، مرتبط می کنیم.ما سپس پیشنهاد می کنیم که یک معیار جعل مدل باید آینه ای را ایجاد کند: یک نتیجه جعل باید فقط در صورت قابل تکرار در بین تغییرات آزمایشی پذیرفته شود.قدرت این روش با استفاده از نمونه هایی از فیزیک و علوم اعصاب نشان داده شده است.
📚 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
