tgoop.com/sharifmathgirls/866
Last Update:
#اطلاع_رسانی
#سخنرانی_عمومی
#یادگیری_ماشین #هوش_مصنوعی
🔆 استفاده از سوگیری ضمنی برای بهبود کارایی در آموزش و تنظیم دقیق مدلهای ML
🎤 مایکل مان، گوگل
⏰ پنجشنبه ۲۴ آبان، ساعت ۱۷ الی ۱۸
🌐 آنلاین
https://meet.google.com/doq-nfry-wru
💡چکیده:
در نظریه یادگیری آماری کلاسیک، مبادله واریانس سوگیری، رابطه بین پیچیدگی یک مدل و دقت پیشبینیهای آن بر روی دادههای جدید را توصیف میکند. به طور خلاصه، مدلهای سادهتر به مدلهای پیچیدهتر ترجیح داده میشوند و در عمل، ما اغلب از تکنیکهای زیادی برای کنترل پیچیدگی مدل استفاده میکنیم. با این حال، بهترین راه برای اندازهگیری صحیح پیچیدگی مدلهای یادگیری ماشینی مدرن همچنان یک سوال باز است.
در این گفتگو، مفهوم پیچیدگی هندسی را مورد بحث قرار خواهیم داد و برخی از تحقیقات قبلی خود را که هدف آن پرداختن به این مشکل اساسی است، ارائه خواهیم کرد. ما همچنین در مورد کارهای فعلی و آینده بحث خواهیم کرد که از این بینش برای ابداع استراتژیهایی برای پیشآموزش و تنظیم دقیقتر مدل استفاده میکنند.
⚊⚊⚊⚊⚊⚊⚊⚊⚊⚊⚊⚊
شاد و رو به رشد باشین 😃
🖊📚👩🏫🧑🏫👩💻🧑💻🎓
دختران ریاضی شریف
@sharifmathgirls
BY دختران ریاضی شریف
Share with your friend now:
tgoop.com/sharifmathgirls/866