فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
توضیحات محصول دانلود پاورپوینت مقدمهای بر تئوری نمونهبرداری (کد11163)
دانلود پاورپوینت مقدمهای بر تئوری نمونهبرداری
\n\n عنوان های پاورپوینت :
\n\n\nمقدمهای بر تئوری نمونهبرداری
\nارزیابی فرضیهها
\n\nروشهای آماری
\nکمی دادههای آموزشی
\nمشکل کمی داده
\n\n\n\nخطای نمونه و خطای واقعی
\nمثال
\n\nمثال
\nفاصله اطمینان برای فرضیههای با مقادیر گسسته
\nمقدمهای بر تئوری نمونهبرداری
\nتخمین خطا
\nتوزیع دوجملهای
\nمثال
\nاحتمال دوجملهای
\nمثال
\nخطای نمونهبرداری
\nمیانگین
\nواریانس
\nتخمین‌زننده، بایاس و واریانس
\nبایاس تخمین
\nانحراف معیار تخمین‌زننده
\nمثال از واریانس
\nفاصله اطمینان
\nتقریب با توزیع نرمال
\nحدود یکطرفه و دوطرفه
\nاختلاف خطای فرضیهها
\nتخمین‌زننده
\nانحراف معیارتخمین‌زننده
\nمقایسه الگوریتم‌های یادگیری
\nمقایسه الگوریتم‌های یادگیری
\nمشکل کمی داده
\nk-Fold Cross-Validation
\nفاصله اطمینان
\nفاصله اطمینان
\nPaired Test
\n \n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nمقدمهای بر تئوری نمونهبرداری\n\n \n\nارزیابی فرضیهها\n\n \n\n& Mitchell Ch. 5\n\nروشهای آماری\n\nدر این فصل سعی می‌شود تا روشهای آماری مناسب برای حدس زدن دقت فرضیهها معرفی گردند .مبنای کار در جهت پاسخگوئی به سه سوال زیر است:\n\nاگر دقت یک فرضیه برای دادههای محدودی معلوم باشد دقت آن برای سایر مثالها چه قدر خواهد بود؟\n\nاگر یک فرضیه برای دادههای محدودی بهتر از فرضیه دیگری عمل کند احتمال اینکه این وضعیت در حالت کلی نیز صادق باشد چقدر است؟\n\nوقتی که داده آموزشی اندکی موجود باشد بهترین راه برای اینکه هم فرضیه را یاد بگیریم و هم دقت آنرا اندازهگیری کنیم چیست؟\n\nمشکل کمی داده\n\nوقتی که یادگیری با استفاده از دادههای محدودی انجام می‌شود دو مشکل ممکن است رخ دهد:\n\nبایاس در تخمین.\n\nدقت یک فرضیه بر روی مثالهای آموزشی تخمین مناسبی برای دقت آن برای مثالهای نادیده نیست. زیرا فرضیه یاد گرفته شده بر اساس این دادهها برای مثالهای آتی به صورت خوش‌بینانه (optimistic) عمل خواهد نمود. برای رهائی از این امر می‌توان از مجموعه دادههای تست استفاده کرد.\n\nانحراف (Variance) در تخمین.\n\nحتی با وجود استفاده از مجموعه تست این امکان وجود دارد که دقت فرضیه اندازهگیری شده با دقت فرضیه واقعی اختلاف داشته باشد. این دقت بستگی به خصوصیات مجموعه تست و تطابق با توزیع کلی دادهها دارد.\n\n \n\n \n\n \n\nخطای نمونه و خطای واقعی\n\nخطای واقعی\n\nعبارت است از خطای فرضیه روی مجموعه تمام مثالها با توزیع نامعلوم D و برابر است با احتمال اینکه یک نمونه تصادفی به اشتباه دستهبندی شود.\n\nخطای واقعی فرضیه h نسبت به تابع هدف f و داده با توزیع D به صورت زیر بیان می‌شود:\n\nerrorD(h)= PrxD[f(x) h(x)]\n\nمثال\n\nیک مجموعه داده شش‌تائی با توزیع احتمال زیر وجود دارد:\n\n \n\nP(X1) = 0.2 P(X) = 0.1\n\nP(X2) = 0.1 P(X5) = 0.2\n\nP(X3) = 0.3 P(X) = 0.1\n\n \n\nفرضیه h برای مجموعه نمونه {X1, X2, X3, X4}می‌تواند X1, X2, X3 را بدرستی دستهبندی کند ولی قادر به دستهبندی صحیح X4 نیست. دراین صورت خطای نمونه برابر است با:\n\n¼ (0 + 0 + 0 + 1) = ¼ = 0.25\n\n \n\nاگر این فرضیه برای X6 صحیح و برای X5نادرست باشد در این صورت خطای واقعی برابر است با:\n\n0.2(0) + 0.1(0) + 0.3(0) + 0.1(1) + 0.2(1) + 0.1(0) = 0.3\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
