تست‌های ماشین یادگیری و Cusum

Podcast

Play an AI-generated podcast conversation about this lesson

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

FP-ELM چه ویژگی خاصی دارد؟

یادگیری افزایشی و آنلاین

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

ELM Signup and view all the answers

مطابقت دهید: الگوریتم‌ها با توصیف‌های آن‌ها.

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 Signup and view all the answers

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

SEA Signup and view all the answers

الگوریتم CIDD-ADODNN برای داده‌های نامتعادل طراحی شده است.

True Signup and view all the answers

روش پیشنهادی تطبیقی مصنوعی (ADASYN) چه هدفی دارد؟

بررسی عدم تعادل کلاس و نمونه‌برداری کلاس اقلیت Signup and view all the answers

الگوریتم یادگیری _______ به طرز خودکار به مدیریت رانش می‌پردازد.

SEA Signup and view all the answers

کدام گزینه در مورد ویژگی ماشین یادگیری افراطی صحیح است؟

عملکرد عمومی‌سازی خوبی دارد Signup and view all the answers

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

مدل‌های مبتنی بر وزن Signup and view all the answers

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

False Signup and view all the answers

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

برای مقابله با رانش مفهوم. Signup and view all the answers

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

P-Tree Signup and view all the answers

مدل‌های زیر را با توصیف‌های صحیح آن‌ها مطابقت دهید:

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

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

VIP Signup and view all the answers

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

False Signup and view all the answers

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

طبقه‌بندی‌کننده‌های آنلاین. Signup and view all the answers

مدل ______ بر اساس اشتباهات گروه زبان‌آموزان وزن‌گذاری می‌شود.

Learn ++.NSE Signup and view all the answers

مدل DDD را با توصیف آن مطابقت دهید:

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 Signup and view all the answers

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

Learn ++.NSE Signup and view all the answers

آستانه‌های حساسیت در مدل DDE می‌تواند متفاوت باشد.

True Signup and view all the answers

سیگنال‌های خود مدل DDE چه چیزی را مسدود می‌کند؟

رانش سیگنال‌ها. Signup and view all the answers

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

رانش مفهوم Signup and view all the answers

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.

Description

این آزمون به بررسی تست Cusum و تکنیک‌های مختلف ماشین یادگیری از جمله ELM و DELM می‌پردازد. شما می‌توانید دانش خود را در مورد یادگیری افزایشی و ساختارهای پیچیده به چالش بکشید و توانایی خود را در درک این مفاهیم آزمون کنید.