اکسپرس 24
کتاب معیارهای F1 و AUROC برای ارزیابی Anomaly Detection

کتاب معیارهای F1 و AUROC برای ارزیابی Anomaly Detection

تگ‌ها: Anomaly Detection AUROC Embedded Systems Evaluation Metrics F1-Score Imbalanced Data Industrial Anomaly Detection Machine Learning Performance Evaluation Python Real-time Systems ROC Curve scikit-learn Sensor Data تشخیص ناهنجاری

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • 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 کتاب همانجا 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معیارهای F1 و AUROC برای ارزیابی Anomaly Detection

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر تشخیص ناهنجاری در سیستم‌های تعبیه‌شده
  • 2. اهمیت ارزیابی عملکرد الگوریتم‌های تشخیص ناهنجاری
  • 3. مفاهیم پایه در ارزیابی طبقه‌بندی
  • 4. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 5. دقت (Accuracy) و محدودیت‌های آن در تشخیص ناهنجاری
  • 6. یادآوری (Recall) و اهمیت آن در تشخیص ناهنجاری
  • 7. دقت (Precision) و اهمیت آن در تشخیص ناهنجاری
  • 8. معرفی معیار F1-Score
  • 9. محاسبه F1-Score: فرمول و تفسیر
  • 10. F1-Score برای داده‌های نامتوازن
  • 11. میانگین وزنی F1-Score (Weighted F1-Score)
  • 12. معرفی منحنی ROC (Receiver Operating Characteristic)
  • 13. محاسبه نرخ مثبت واقعی (TPR) و نرخ مثبت کاذب (FPR)
  • 14. مساحت زیر منحنی ROC (AUC-ROC)
  • 15. تفسیر AUC-ROC و ارتباط آن با عملکرد مدل
  • 16. AUC-ROC برای داده‌های نامتوازن
  • 17. معرفی معیار AUROC (Area Under the Receiver Operating Characteristic)
  • 18. تفاوت بین AUC و AUROC
  • 19. انتخاب آستانه (Threshold) بهینه‌سازی شده با استفاده از ROC
  • 20. ارتباط بین آستانه و F1-Score
  • 21. مقایسه F1-Score و AUROC: مزایا و معایب
  • 22. موارد استفاده F1-Score در سیستم‌های تعبیه‌شده
  • 23. موارد استفاده AUROC در سیستم‌های تعبیه‌شده
  • 24. ارزیابی عملکرد الگوریتم‌های تشخیص ناهنجاری مبتنی بر آستانه
  • 25. ارزیابی عملکرد الگوریتم‌های تشخیص ناهنجاری بدون آستانه
  • 26. تاثیر انتخاب الگوریتم بر معیارهای ارزیابی
  • 27. انتخاب معیار ارزیابی مناسب بر اساس کاربرد
  • 28. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های سنسور
  • 29. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های شبکه
  • 30. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های لاگ
  • 31. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های صنعتی
  • 32. استفاده از F1-Score و AUROC برای مقایسه الگوریتم‌های مختلف
  • 33. بهینه‌سازی پارامترهای الگوریتم با استفاده از F1-Score و AUROC
  • 34. اعتبارسنجی متقابل (Cross-Validation) و ارزیابی پایدار
  • 35. تکنیک‌های کاهش ابعاد و تاثیر آن‌ها بر معیارهای ارزیابی
  • 36. مقابله با داده‌های پرت (Outliers) و تاثیر آن‌ها بر ارزیابی
  • 37. ارزیابی الگوریتم‌های تشخیص ناهنجاری در محیط‌های real-time
  • 38. ابزارهای رایج برای محاسبه F1-Score و AUROC در پایتون
  • 39. استفاده از کتابخانه scikit-learn برای ارزیابی
  • 40. تفسیر نتایج ارزیابی و ارائه گزارش
  • 41. چالش‌های ارزیابی در سیستم‌های تعبیه‌شده
  • 42. تاثیر حجم داده بر ارزیابی
  • 43. ارزیابی الگوریتم‌های تشخیص ناهنجاری با داده‌های محدود
  • 44. ارزیابی الگوریتم‌های تشخیص ناهنجاری با داده‌های جریان‌یافته (Streaming Data)
  • 45. معرفی معیار PR-AUC (Precision-Recall AUC) و مقایسه با AUROC
  • 46. کاربرد معیارهای ارزیابی در تشخیص ناهنجاری‌های امنیتی
  • 47. ارزیابی سیستم‌های تشخیص ناهنجاری مبتنی بر یادگیری عمیق
  • 48. ارزیابی سیستم‌های تشخیص ناهنجاری مبتنی بر یادگیری تقویتی
  • 49. ارزیابی سیستم‌های تشخیص ناهنجاری مبتنی بر روش‌های آماری
  • 50. بررسی موردی: ارزیابی تشخیص ناهنجاری در سیستم‌های ترمز ABS
  • 51. بررسی موردی: ارزیابی تشخیص ناهنجاری در سیستم‌های مدیریت باتری (BMS)
  • 52. بررسی موردی: ارزیابی تشخیص ناهنجاری در سیستم‌های پایش سلامت

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • 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 کتاب همانجا 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.