Machine Learning | یادگیری ماشین

⏱ چقدر زمان لازمه تا الگوریتمت اجرا بشه؟
✅ راهنمای جامع برای «پیچیدگی زمانی»


👨🏻‍💻 وقتی داری روی یه مدل یادگیری ماشین کار می‌کنی، یکی از مهم‌ترین چیزایی که باید بدونی اینه که الگوریتمت با افزایش حجم داده چقدر سریع یا کند عمل می‌کنه. این همون مفهوم پیچیدگی زمان هست، و بهت کمک می‌کنه بهترین الگوریتم رو برای داده‌هات انتخاب کنی!

📊 بررسی چند تا از معروف‌ترین الگوریتم‌ها:

1⃣ رگرسیون خطی: O(n) – سریع و برای داده‌های بزرگ خیلی خوبه.

🔢 رگرسیون لجستیک: O(n) – سریع و برای داده‌های بزرگ مناسب.

🔢 بیز ساده: O(n) – فوق‌العاده سریع، برای پیش‌بینی‌های لحظه‌ای عالیه.

🔢 درخت تصمیم: O(n * log(n)) – مناسب برای داده‌های کوچک و متوسط؛ ولی روی داده‌های بزرگ یکم کندتر می‌شه.

🔢 جنگل تصادفی: O(t * n * log(n)) – کمی کندتر از درخت تصمیم به‌خاطر چند درخت (t)، ولی دقیق‌تر.

🔢 تحلیل مؤلفه‌های اصلی: O(n^2 * m) – برای داده‌های با بعد بالا یکم کند می‌شه، ولی برای کاهش ابعاد عالیه.

🔢 نزدیک‌ترین همسایگان O(n * d) :K – برای داده‌های بزرگ و ویژگی‌های زیاد کندتر عمل می‌کنه.

🔢 خوشه‌بندی O(n * k * t) :K-Means – زمان اجرا به تعداد کلاسترها (k) و تکرارها (t) وابسته‌ست.

🔢 شبکه‌های عصبی متراکم: O(n * d * e) – ممکنه خیلی کند باشه، به‌خصوص اگه لایه‌ها و نورون‌های زیادی داشته باشی.👇


┌ ✏️ Time Complexity
├ 🗂 PDF (1)
└ 🗂 PDF (2)


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

Please open Telegram to view this post

VIEW IN TELEGRAM

www.tgoop.com/MachineLearning_ir/1682

8.2K viewsOct 16 at 07:30

⏱ چقدر زمان لازمه تا الگوریتمت اجرا بشه؟
✅ راهنمای جامع برای «پیچیدگی زمانی»


👨🏻‍💻 وقتی داری روی یه مدل یادگیری ماشین کار می‌کنی، یکی از مهم‌ترین چیزایی که باید بدونی اینه که الگوریتمت با افزایش حجم داده چقدر سریع یا کند عمل می‌کنه. این همون مفهوم پیچیدگی زمان هست، و بهت کمک می‌کنه بهترین الگوریتم رو برای داده‌هات انتخاب کنی!

📊 بررسی چند تا از معروف‌ترین الگوریتم‌ها:

1⃣ رگرسیون خطی: O(n) – سریع و برای داده‌های بزرگ خیلی خوبه.

🔢 رگرسیون لجستیک: O(n) – سریع و برای داده‌های بزرگ مناسب.

🔢 بیز ساده: O(n) – فوق‌العاده سریع، برای پیش‌بینی‌های لحظه‌ای عالیه.

🔢 درخت تصمیم: O(n * log(n)) – مناسب برای داده‌های کوچک و متوسط؛ ولی روی داده‌های بزرگ یکم کندتر می‌شه.

🔢 جنگل تصادفی: O(t * n * log(n)) – کمی کندتر از درخت تصمیم به‌خاطر چند درخت (t)، ولی دقیق‌تر.

🔢 تحلیل مؤلفه‌های اصلی: O(n^2 * m) – برای داده‌های با بعد بالا یکم کند می‌شه، ولی برای کاهش ابعاد عالیه.

🔢 نزدیک‌ترین همسایگان O(n * d) :K – برای داده‌های بزرگ و ویژگی‌های زیاد کندتر عمل می‌کنه.

🔢 خوشه‌بندی O(n * k * t) :K-Means – زمان اجرا به تعداد کلاسترها (k) و تکرارها (t) وابسته‌ست.

🔢 شبکه‌های عصبی متراکم: O(n * d * e) – ممکنه خیلی کند باشه، به‌خصوص اگه لایه‌ها و نورون‌های زیادی داشته باشی.👇


┌ ✏️ Time Complexity
├ 🗂 PDF (1)
└ 🗂 PDF (2)


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa