Multiclass classification of imbalanced dataSaurabhWani6
Pydata Talk on Classification of imbalanced data.
It is an overview of concepts for better classification in imbalanced datasets.
Resampling techniques are introduced along with bagging and boosting methods.
Slides for the 2016/2017 edition of the Data Mining and Text Mining Course at the Politecnico di Milano. The course is also part of the joint program with the University of Illinois at Chicago.
Multiclass classification of imbalanced dataSaurabhWani6
Pydata Talk on Classification of imbalanced data.
It is an overview of concepts for better classification in imbalanced datasets.
Resampling techniques are introduced along with bagging and boosting methods.
Slides for the 2016/2017 edition of the Data Mining and Text Mining Course at the Politecnico di Milano. The course is also part of the joint program with the University of Illinois at Chicago.
شرکت دانش همارا از سال 1381 با هدف سازماندهی اسناد ومدارک و پیاده سازی سیستم های پویا در آرشیو اسناد تاسیس و تاکنون خدمات متنوعی در حوزه سازماندهی و مدیریت اسناد به مراکز بزرگ دولتی و خصوصی ارایه داده است .
این شرکت دارای توان تجهیزاتی پیشرفته و برخوردار از نیروی کارشناسی و متخصص در حوزه مدیریت اسناد بوده و تمامی مراحل پیاده سازی EDMS از سازماندهی فیزیکی اسناد تا ایجاد فایل الکترونیک و مدیریت منابع بخشی از خدمات این شرکت است .
https://www.dhamara.com/services/%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86%D8%AF%D9%87%DB%8C-%D8%A7%D8%B3%D9%86%D8%A7%D8%AF-%D9%88-%D9%85%D8%AF%D8%A7%D8%B1%DA%A9/11/view/
Data, DIKW, big data& data science
Gu Jifaa,Zhang Linglingb
استاد: جناب آقای دکتر شقاقی
ترجمه: فاطمه ذات عجم
دانشجوی کارشناسی ارشد علم اطلاعات شهید بهشتی
This presentation, by big data guru Bernard Marr, outlines in simple terms what Big Data is and how it is used today. It covers the 5 V's of Big Data as well as a number of high value use cases.
شرکت دانش همارا از سال 1381 با هدف سازماندهی اسناد ومدارک و پیاده سازی سیستم های پویا در آرشیو اسناد تاسیس و تاکنون خدمات متنوعی در حوزه سازماندهی و مدیریت اسناد به مراکز بزرگ دولتی و خصوصی ارایه داده است .
این شرکت دارای توان تجهیزاتی پیشرفته و برخوردار از نیروی کارشناسی و متخصص در حوزه مدیریت اسناد بوده و تمامی مراحل پیاده سازی EDMS از سازماندهی فیزیکی اسناد تا ایجاد فایل الکترونیک و مدیریت منابع بخشی از خدمات این شرکت است .
https://www.dhamara.com/services/%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86%D8%AF%D9%87%DB%8C-%D8%A7%D8%B3%D9%86%D8%A7%D8%AF-%D9%88-%D9%85%D8%AF%D8%A7%D8%B1%DA%A9/11/view/
Data, DIKW, big data& data science
Gu Jifaa,Zhang Linglingb
استاد: جناب آقای دکتر شقاقی
ترجمه: فاطمه ذات عجم
دانشجوی کارشناسی ارشد علم اطلاعات شهید بهشتی
This presentation, by big data guru Bernard Marr, outlines in simple terms what Big Data is and how it is used today. It covers the 5 V's of Big Data as well as a number of high value use cases.
1. شبکه های عصبی مصنوعی Instructor : Saeed Shiry Amirkabir University of Technology Computer Engineering & Information Technology Department
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24. شبکه های چند لایه بر خلاف پرسپترونها شبکه های چند لایه میتوانند برای یادگیری مسائل غیر خطی و همچنین مسائلی با تصمیم گیری های متعدد بکار روند . Input nodes Internal nodes Output nodes
26. یک سلول واحد x1 x2 xn X0=1 w0 w1 w2 wn Σ O = σ(net) = 1 / 1 + e -net net برای اینکه بتوانیم فضای تصمیم گیری را بصورت غیر خطی از هم جدا بکنیم، لازم است تا هر سلول واحد را بصورت یک تابع غیر خطی تعریف نمائیم . مثالی از چنین سلولی میتواند یک واحد سیگموئید باشد :
27. تابع سیگموئید O(x1,x2,…,xn) = σ ( WX ) where: σ ( WX ) = 1 / 1 + e -WX d σ(y) / dy = σ(y) (1 – σ(y)) تابع σ تابع سیگموئید یا لجستیک نامیده میشود . این تابع دارای خاصیت زیر است : خروجی این سلول واحد را بصورت زیر میتوان بیان نمود :
40. قدرت نمایش لایه پنهان 10000000 01000000 00100000 00010000 00001000 00000100 00000010 00000001 10000000 01000000 00100000 00010000 00001000 00000100 00000010 00000001 Hidden nodes در این آزمایش که به تعداد 5000 بار تکرار شده از 8 داده مختلف به عنوان ورودی استفاده شده و شبکه با استفاده از الگوریتم BP موفق شده تا تابع هدف را بیاموزد . با مشاهده خروجی واحد های لایه میانی مشخص میشود که بردار حاصل معادل انکدینگ استاندارد داده ههای ورودی بوده است (000,001,,...,111)
41. نمودارخطا Error iterations Different units iterations Different weights weight