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
We study the problem of multiclass classification for settings where data features $\mathbf{x}$ and their labels $\mathbf{y}$ are uncertain. We identify that distributionally robust one-vs-all (OVA) classifiers often struggle in settings with imbalanced data. To address this issue, we use Wasserstein distributionally robust optimization to develop a robust version of the multiclass support vector machine (SVM) characterized by the Crammer-Singer (CS) loss. First, we prove that the CS loss is bounded from above by a Lipschitz continuous function for all $\mathbf{x} \in \mathcal{X}$ and $\mathbf{y} \in \mathcal{Y}$, then we exploit strong duality results to express the dual of the worst-case risk problem, and we show that the worst-case risk minimization problem admits a tractable convex reformulation due to the regularity of the CS loss. Moreover, we develop a kernel version of our proposed model to account for nonlinear class separation, and we show that it admits a tractable convex upper bound. We also propose a projected subgradient method algorithm for a special case of our proposed linear model to improve scalability. Our numerical experiments demonstrate that our model outperforms state-of-the art OVA models in settings where the training data is highly imbalanced. We also show through experiments on popular real-world datasets that our proposed model often outperforms its regularized counterpart as the first accounts for uncertain labels unlike the latter.
چکیده به فارسی (ترجمه ماشینی)
ما مشکل طبقه بندی multiclass را برای تنظیماتی که در آن داده ها دارای $ \ mathbf {x} $ و برچسب های آنها $ \ mathbf {y} $ نامشخص است ، مطالعه می کنیم.ما شناسایی می کنیم که طبقه بندی کننده های توزیع کننده یک VS-ALL (OVA) که اغلب در تنظیمات با داده های نامتعادل می جنگند.برای پرداختن به این مسئله ، ما از بهینه سازی Wasserstein بهینه سازی قوی برای تهیه نسخه قوی از دستگاه بردار پشتیبانی Multiclass (SVM) که با از دست دادن کرامر خوان (CS) مشخص می شود ، استفاده می کنیم.اول ، ما ثابت می کنیم که ضرر CS از بالا توسط یک تابع مداوم Lipschitz برای همه $ \ Mathbf {x} \ در \ Mathcal {x} $ و $ \ mathbf {y} \ in \ mathcal {y} $ ، سپس محدود شده است ، سپسما از نتایج دوگانگی قوی برای بیان دوگانه مشکل خطر بدترین حالت سوء استفاده می کنیم ، و نشان می دهیم که مشکل به حداقل رساندن ریسک بدترین حالت ، به دلیل منظم بودن از دست دادن CS ، اصلاحات محدب قابل ردیابی را پذیرفته است.علاوه بر این ، ما یک نسخه هسته از مدل پیشنهادی خود را برای به حساب آوردن جداسازی کلاس غیرخطی تهیه می کنیم ، و نشان می دهیم که این یک محدب محدب قابل قبول است.ما همچنین یک الگوریتم متد مقدماتی پیش بینی شده را برای یک مورد خاص از مدل خطی پیشنهادی ما برای بهبود مقیاس پذیری پیشنهاد می کنیم.آزمایش های عددی ما نشان می دهد که مدل ما از مدل های پیشرفته ART OVA در تنظیماتی که داده های آموزش بسیار نامتعادل است ، بهتر است.ما همچنین از طریق آزمایشات در مورد مجموعه داده های محبوب دنیای واقعی نشان می دهیم که مدل پیشنهادی ما اغلب از همتای منظم آن به عنوان اولین برچسب های نامشخص بر خلاف دومی استفاده می کند.
📚 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
