سوال: اگه خاطرتون باشه قبلا یه خبری رو در سایت قرار دادیم که گزارش میداد در یک مطالعه ای متوجه شدند که تعداد کمتری از افراد سیگاری کرونا میگیرند!
الان سوال اینه که آیا این نتیجه مبناش یک واقعیت علمی هست یا یک نتیجه شانسی بوده؟!
یعنی این تفاوتی که مشاهده میکنیم در واقعیت هم وجود داره !؟
آیا به صرف مشاهده این تفاوت میشه قضاوت کرد که افراد سیگاری کمتر به ویروس کرونا مبتلا میشوند؟!
اگه مسائلی شبیه به این مسئله دارید پیشنهاد میکنم فصل جدید رو از دست ندید😊
در فصل هفتم (که در حال آماده سازی است و به زودی منتشر خواهد شد) روشهای انتخاب ویژگی رو آموزش داده ایم که دو تا از این روشها، ttest و anova هست که میشه تو چنین مسائلی هم علاوه بر انتخاب ویژگی استفاده کرد.👌

#featureselection
#ttest
#anova
#mutual_information
#SFFS
#filter methods
#wrapper methods

@onlinebme

✅ دوره شناسایی الگو و یادگیری ماشین (اولین دوره جامع و تخصصی در ایران)
🟣 فصل هفتم: انتخاب ویژگی (feature selection)

🔹 feature conditioning
🔹filter methods feature Selection
🔹 ttsest
🔹 anova
🔻tvalue
🔻fvalue
🔺pvalue
🔹 fisher discriminant ratio
🔹 mutual information
🔹wrapper methods feature Selection
🔹 sequential forward feature Selection
🔹 filter methods with wrapper methods


✍ در فصل هفتم دوره پترن و یادگیری ماشین، روشهای انتخاب ویژگی( feature Selection)از قبیل ttest، anova، نرخ تفکیک پذیری فیشر(FDR) ، اطلاعات متقابل(Mutual information)  و روش جستجوی سلسله مراتبی روبه جلو (sequential forward feature selection ) را معرفی می کنیم و به صورت تخصصی آموزش میدهیم که رویکرد تک تک روشها به چه صورت است، سپس مرحله به مرحله روشها را پیاده سازی می کنیم و در نهایت  با انجام پروژه ها و مثالهایی نشان میدهیم که چطور میتوان از این روشها در پروژه های عملی جهت انتخاب ویژگی استفاده کرد.
این فصل یکی از مهمتری فصل های دوره “شناسایی الگو یادگیری ماشین” است و میتواند نقش قابل توجهی در افزایش عملکرد مدل داشته باشد.

سرفصل مطالب
🔲 مقدمه ای بر انتخاب ویژگی
🔳 انتخاب ویژگی با روشهای اسکالر ( Filter methods)
🟣 انتخاب ویژگی با تست آماری ttest
🔵 انتخاب ویژگی با روش تجزیه و تحلیل واریانسها( anova)
🟢  انتخاب ویژگی با نرخ تفکیک پذیری فیشر(FDR)
🔴 انتخاب ویژگی با اطلاعات متقابل (mutual information) 

🔲انتخاب ویژگی با روشهای برداری(ترکیبی)-  wrapper methods

🟣  بررسی معایب روشهای اسکالر و نحوه انتخاب ویژگی با کمک یک مدل
🔴  انتخاب ویژگی با روش جستجوی رو به جلو
🟢  ترکیب روشهای اسکالر با روشهای برداری


پروژه های انجام شده:
🔹انتخاب ویژگی‌های مهم در داده سرطان سینه (طبقه بندی)

🔹انتخاب ویژگی‌های مهم در داده سیگنال مغزی افراد مبتلا به صرع (طبقه بندی)

🔹انتخاب ویژگی‌های مهم در داده سیگنال emg جهت تخمین زاویه مفصل مچ (رگرسیون)

🔹انتخاب ویژگی‌های مهم در داده آلودگی هوا (رگرسیون)

✅ این فصل یکی از مهمترین فصلهای دوره ” شناسایی الگو و یادگیری ماشین” است و خیلی میتواند در پروژه ها برای افزایش دقت مدل کمک کند. سعی کرده ایم در این فصل پروژه های متعددی انجام دهیم تا متوجه شویم که چطور میتوانیم از روشهای انتخاب ویژگی بهره بگیریم تا دقت مدل را افزایش دهیم.

محتوای پکیج:
 ویدیوهای آموزشی
 کدهای پیاده سازی شده برای پروژه ها، تمرینات و مقالات
 منابع معتبری که برای تهیه ویدیو استفاده شده اند(کتب و مقالات مرجع)
 جزوه دست نویس مدرس

تعداد جلسات: 6
مدت زمان دوره: 16ساعت
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

#regression #classification #featureselection

 🌀 جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/season07-featrue-selection/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme