تست‌های ماشین یادگیری و Cusum

Choose a study mode

Play Quiz
Study Flashcards
Spaced Repetition
Chat to Lesson

Podcast

Play an AI-generated podcast conversation about this lesson
Download our mobile app to listen on the go
Get App

Questions and Answers

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.

False (B)

FP-ELM چه ویژگی خاصی دارد؟

یادگیری افزایشی و آنلاین

ماشین یادگیری افراطی پویا (DELM) به منظور بهبود عملکرد _______ طراحی شده است.

<p>ELM</p> Signup and view all the answers

مطابقت دهید: الگوریتم‌ها با توصیف‌های آن‌ها.

<p>Cusum = تفاوت مقادیر مشاهده شده از میانگین ELM = یادگیری با استفاده از شبکه های عصبی یک لایه پنهان FP-ELM = یادگیری افزایشی و تنظیم پارامتر فراموشی SEA = مدیریت رانش با یادگیرندگان جدید</p> Signup and view all the answers

کدام یک از الگوریتم‌ها برای مدیریت رانش مفهوم طراحی شده است؟

<p>SEA (A)</p> Signup and view all the answers

الگوریتم CIDD-ADODNN برای داده‌های نامتعادل طراحی شده است.

<p>True (A)</p> Signup and view all the answers

روش پیشنهادی تطبیقی مصنوعی (ADASYN) چه هدفی دارد؟

<p>بررسی عدم تعادل کلاس و نمونه‌برداری کلاس اقلیت</p> Signup and view all the answers

الگوریتم یادگیری _______ به طرز خودکار به مدیریت رانش می‌پردازد.

<p>SEA</p> Signup and view all the answers

کدام گزینه در مورد ویژگی ماشین یادگیری افراطی صحیح است؟

<p>عملکرد عمومی‌سازی خوبی دارد (B)</p> Signup and view all the answers

مدل AWE به چه نوع گروهی از مدل‌های طبقه بندی اشاره دارد؟

<p>مدل‌های مبتنی بر وزن (D)</p> Signup and view all the answers

AUE دقت را با استفاده از طبقه‌بندی کننده‌های غیر آنلاین افزایش می‌دهد.

<p>False (B)</p> Signup and view all the answers

اکثریت وزنی پویا (DWM) برای چه هدفی استفاده می‌شود؟

<p>برای مقابله با رانش مفهوم.</p> Signup and view all the answers

مدل SyncStream برای تکامل جریان داده‌ها از یک ساختار داده معروف به ______ استفاده می‌کند.

<p>P-Tree</p> Signup and view all the answers

مدل‌های زیر را با توصیف‌های صحیح آن‌ها مطابقت دهید:

<p>DDE = کنترل رانش و سیگنال‌های خود ARF = مدل برای مقابله با رانش مفهوم Learn ++.NSE = وزن‌گذاری نمونه‌ها براساس خطا DDD = تنظیم تنوع یادگیرنده</p> Signup and view all the answers

کدام یک از تکنیک‌های زیر برای شناسایی تغییرات در داده‌ها استفاده نمی‌شود؟

<p>VIP (C)</p> Signup and view all the answers

مدل جنگل تصادفی تطبیقی (ARF) نیاز به بهینه‌سازی مجموعه داده دارد.

<p>False (B)</p> Signup and view all the answers

دقت گروه به روز شده (AUE) چه نوع مدلی را به کار می‌برد؟

<p>طبقه‌بندی‌کننده‌های آنلاین.</p> Signup and view all the answers

مدل ______ بر اساس اشتباهات گروه زبان‌آموزان وزن‌گذاری می‌شود.

<p>Learn ++.NSE</p> Signup and view all the answers

مدل DDD را با توصیف آن مطابقت دهید:

<p>DDD = تنظیم تنوع یادگیرنده با گروه‌های کم و زیاد تنوع ARF = استفاده از اپراتورهای کارآمد برای رانش مفهوم AWE = گروهی از مدل‌ها با دقت وزن شده SyncStream = مدل طبقه‌بندی مبتنی بر نمونه اولیه</p> Signup and view all the answers

کدام یک از مدل‌های زیر از آستانه قابل تنظیم برای محاسبه فاصله استفاده نمی‌کند؟

<p>Learn ++.NSE (B)</p> Signup and view all the answers

آستانه‌های حساسیت در مدل DDE می‌تواند متفاوت باشد.

<p>True (A)</p> Signup and view all the answers

سیگنال‌های خود مدل DDE چه چیزی را مسدود می‌کند؟

<p>رانش سیگنال‌ها.</p> Signup and view all the answers

مدل DWM از چهار استراتژی برای مقابله با ______ استفاده می‌کند.

<p>رانش مفهوم</p> Signup and view all the answers

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.

Quiz Team
Use Quizgecko on...
Browser
Browser