Podcast
Questions and Answers
هدف اصلی تست Cusum چیست؟
هدف اصلی تست Cusum چیست؟
- محاسبه تفاوت مقادیر مشاهده شده از میانگین (correct)
- شناسایی الگوهای موجود در داده‌ها
- محاسبه میانگین مقادیر مشاهده شده
- افزایش سرعت یادگیری
ماشین یادگیری افراطی (ELM) یک الگوریتم با یادگیری مبتنی بر شیب است.
ماشین یادگیری افراطی (ELM) یک الگوریتم با یادگیری مبتنی بر شیب است.
False (B)
FP-ELM چه ویژگی خاصی دارد؟
FP-ELM چه ویژگی خاصی دارد؟
یادگیری افزایشی و آنلاین
ماشین یادگیری افراطی پویا (DELM) به منظور بهبود عملکرد _______ طراحی شده است.
ماشین یادگیری افراطی پویا (DELM) به منظور بهبود عملکرد _______ طراحی شده است.
مطابقت دهید: الگوریتم‌ها با توصیف‌های آن‌ها.
مطابقت دهید: الگوریتم‌ها با توصیف‌های آن‌ها.
کدام یک از الگوریتم‌ها برای مدیریت رانش مفهوم طراحی شده است؟
کدام یک از الگوریتم‌ها برای مدیریت رانش مفهوم طراحی شده است؟
الگوریتم CIDD-ADODNN برای داده‌های نامتعادل طراحی شده است.
الگوریتم CIDD-ADODNN برای داده‌های نامتعادل طراحی شده است.
روش پیشنهادی تطبیقی مصنوعی (ADASYN) چه هدفی دارد؟
روش پیشنهادی تطبیقی مصنوعی (ADASYN) چه هدفی دارد؟
الگوریتم یادگیری _______ به طرز خودکار به مدیریت رانش می‌پردازد.
الگوریتم یادگیری _______ به طرز خودکار به مدیریت رانش می‌پردازد.
کدام گزینه در مورد ویژگی ماشین یادگیری افراطی صحیح است؟
کدام گزینه در مورد ویژگی ماشین یادگیری افراطی صحیح است؟
مدل AWE به چه نوع گروهی از مدل‌های طبقه بندی اشاره دارد؟
مدل AWE به چه نوع گروهی از مدل‌های طبقه بندی اشاره دارد؟
AUE دقت را با استفاده از طبقه‌بندی کننده‌های غیر آنلاین افزایش می‌دهد.
AUE دقت را با استفاده از طبقه‌بندی کننده‌های غیر آنلاین افزایش می‌دهد.
اکثریت وزنی پویا (DWM) برای چه هدفی استفاده می‌شود؟
اکثریت وزنی پویا (DWM) برای چه هدفی استفاده می‌شود؟
مدل SyncStream برای تکامل جریان داده‌ها از یک ساختار داده معروف به ______ استفاده می‌کند.
مدل SyncStream برای تکامل جریان داده‌ها از یک ساختار داده معروف به ______ استفاده می‌کند.
مدل‌های زیر را با توصیف‌های صحیح آن‌ها مطابقت دهید:
مدل‌های زیر را با توصیف‌های صحیح آن‌ها مطابقت دهید:
کدام یک از تکنیک‌های زیر برای شناسایی تغییرات در داده‌ها استفاده نمی‌شود؟
کدام یک از تکنیک‌های زیر برای شناسایی تغییرات در داده‌ها استفاده نمی‌شود؟
مدل جنگل تصادفی تطبیقی (ARF) نیاز به بهینه‌سازی مجموعه داده دارد.
مدل جنگل تصادفی تطبیقی (ARF) نیاز به بهینه‌سازی مجموعه داده دارد.
دقت گروه به روز شده (AUE) چه نوع مدلی را به کار می‌برد؟
دقت گروه به روز شده (AUE) چه نوع مدلی را به کار می‌برد؟
مدل ______ بر اساس اشتباهات گروه زبان‌آموزان وزن‌گذاری می‌شود.
مدل ______ بر اساس اشتباهات گروه زبان‌آموزان وزن‌گذاری می‌شود.
مدل DDD را با توصیف آن مطابقت دهید:
مدل DDD را با توصیف آن مطابقت دهید:
کدام یک از مدل‌های زیر از آستانه قابل تنظیم برای محاسبه فاصله استفاده نمی‌کند؟
کدام یک از مدل‌های زیر از آستانه قابل تنظیم برای محاسبه فاصله استفاده نمی‌کند؟
آستانه‌های حساسیت در مدل DDE می‌تواند متفاوت باشد.
آستانه‌های حساسیت در مدل DDE می‌تواند متفاوت باشد.
سیگنال‌های خود مدل DDE چه چیزی را مسدود می‌کند؟
سیگنال‌های خود مدل DDE چه چیزی را مسدود می‌کند؟
مدل DWM از چهار استراتژی برای مقابله با ______ استفاده می‌کند.
مدل DWM از چهار استراتژی برای مقابله با ______ استفاده می‌کند.
Flashcards are hidden until you start studying
Study Notes
تست Cusum
- تست Cusum تفاوت مقادیر مشاهده شده را از میانگین محاسبه می‌کند و در صورت فراتر رفتن از آستانه‌ای که کاربر مشخص کرده، هشدار می‌دهد.
- اگر میانگین خطا با صفر تفاوت معناداری داشته باشد، جمع تجمعی (رانش مفهوم) هشدار می‌دهد.
- نسبت ورود به سیستم بین دو احتمال قبل و بعد از تغییر، اگر از آستانه عبور کند، موجب هشدار به کاربر می‌شود.
ماشین یادگیری افراطی (ELM)
- ELM شبکه‌های عصبی یک لایه پنهان را با انتخاب تصادفی گره‌های پنهان و محاسبه وزن خروجی می‌سازد.
- این تکنیک، سرعت یادگیری بسیار سریع‌تری نسبت به الگوریتم‌های یادگیری مبتنی بر شیب ارائه می‌دهد.
ماشین یادگیری افراطی پویا (DELM)
- DELM به‌طور آنلاین ساختار لایه‌ای پنهان را برای بهبود عملکرد ELM می‌آموزد.
- با اضافه کردن گره‌های جدید به لایه پنهان، قدرت تعمیم طبقه‌بندی‌کننده افزایش می‌یابد.
FP-ELM
- FP-ELM به یادگیری افزایشی و آنلاین قابلیت دسترسی دارد و یک پارامتر فراموشی برای تنظیم تغییرات داده‌های گذشته ایجاد می‌کند.
CIDD-ADODNN
- CIDD-ADODNN برای طبقه‌بندی مؤثر داده‌های جریان بسیار نامتعادل طراحی شده است.
- از روش ADASYN برای وزن‌دهی به نمونه‌های کلاس اقلیت استفاده می‌کند.
الگوریتم SEA
- SEA با اضافه کردن یادگیرنده‌های جدید برای هر قطعه داده، به مدیریت خودکار رانش مفهوم می‌پردازد.
گروه دقیق وزن (AWE)
- AWE گروهی از مدل‌های طبقه‌بندی است که هر مدل را بر اساس دقت پیش‌بینی‌اش وزن‌دهی می‌کند.
- به‌منظور مقابله با تغییرات محیط، دقت به‌روز شده گروه (AUE) بر اساس توزیع فعلی به‌روزرسانی می‌شود.
اکثریت وزنی پویا (DWM)
- DWM چهار استراتژی را برای مقابله با رانش مفهوم به کار می‌گیرد، شامل وزن‌دهی بر اساس عملکرد و اضافه کردن متخصصان تازه به گروه.
Learn ++.NSE
- یادگیرندگان در Learn ++.NSE بر اساس نمونه‌های بخش‌های داده آموزش دیده و وزن‌ها به‌وسیله خطای گروه محاسبه می‌شود.
جنگل تصادفی تطبیقی (ARF)
- ARF با استفاده از اپراتورهای کارآمد به رانش‌های مفهوم بدون بهینه‌سازی مجموعه داده‌ها پاسخ می‌دهد.
DDD
- DDD تنوع یادگیرنده‌ها را با گروه‌های کم و با تنوع بالا تنظیم می‌کند.
SyncStream
- SyncStream یک مدل طبقه‌بندی مبتنی بر نمونه اولیه است که در مقابل تکامل جریان داده‌ها به طور پویا عمل می‌کند.
چارچوب تشخیص تغییر مبتنی بر PCA
- این متدلوژی برای برآورد تغییرات داده‌ها طراحی شده و دارای پنجره‌های مرجع و آزمایش برای پیش‌بینی‌ها است.
Studying That Suits You
Use AI to generate personalized quizzes and flashcards to suit your learning preferences.
