#پرسش_و_پاسخ_۲۶_مهر

سوال بیستم:

میشه در مورد ایمپورت pipe-line برای چی باید ایمپورت کنم توضیح بدید. Transforme را هم توضیح بدید.

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و یکم:

وقتی یه دیتاست داریم روش مدلسازی انجام میدیم و یه مدل بهش میدیم می خواهیم ypredخروجی بگیریم چه اشتباهی انجام میدم که همه ی خروجی ها را نشان میده فقط خروجی مدلی که آخر بهش دادم را نشون نمیده

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و دوم:

من با تنسورفلو یک شبکه با دو لایه میانی که چهار ورودی و شش خروجی دارد طراحی کرده ام
اما میزان loss در حالت denormalize شده ثابت است و در حالت نرمالایز شده از مقدار 06. به 02. میرسد اما accuracy در حال افزایش است و به ۹۲. میرسد
دلیل این اتفاق چیست؟

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و سوم:

من یه کد برای gradient descent زدم و برای multiple variables.
تو این کد از دیتای قیمت خونه بر اساس متراژ و تعداد اتاق استفاده کردم.
برای اینکه متراژ خونهو قیمت خونه خیلی تفاوت عددی داشت، اومدم هر دو تاشون رو normalized کردم و تقسیم بر ماکسممشون کردم.
بعد اینکه کد رو نوشتم و ۳ تا متغیر ها رو پیدا کردم ( w0, w1, b) میزان اروری که با استفاده از این روش به دست اومد شد ۰.۰۰۳۰ که یعنی مدل خوبه و خب میشه ازش برای prediction استفاده کرد.
الان مشکلم توی denormalize کردن متغیرام هستش و میخوام ازش برای prediction استفاده کنم ولی هر کاری میکنم عدد به دست اومده خیلی پرت میشه.
چیکار کنم؟

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و چهارم:

چرا در رگرسیون چندگانه به جای گرادیان کاهشی از فرمول بسته استفاده نمی کنیم؟

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و پنجم:

در مدلسازی غیر خطی گفته شد متغیر x1 ^2 و... را متغیر جدید نامگذاری میکنیم و مدل جدید را خطی حل میکنیم
آیا این کار استقلال متغیر ها را دچار مشکل نمیکند و ماتریس را معکوس ناپذیر نمیکند؟
دوم انکه x1x2 یا x1x3 را چگونه در مدل باید آورد لطفا یک‌مثال کامل غیر خطی حل شود

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و ششم:

در کد Logistic_Regression.ipnyb
میشه مرز داده های سرطان به صورت غیرخطی، plot بشه؟ (کدش به چه صورت هست.)
کلا سوالم این هست چرا در کد تلاش شده که boundary با خط مستقیم نشون داده بشه.

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و هفتم:

سوالم این هست که physics-informed neural network و Quantum Learning چطور می‌تونیم یاد بگیریم و در پروژه‌هامون استفاده کنیم؟

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و هفتم:

چرا امیدریاضی بایاس به توان 2، بایاس به توان 2 شد؟
اگر ربطی به فرض استقلال fhat و f دارد، ممنون میشم ربطش را توضیح دهید.

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و هشتم:

چرا برای مشکل overfitting پارامترهای مدل رو بالا نمی‌بریم و هر وقت ارور برای training data صفر شد (یا یه حدی نزدیک به صفر رسید) و برای validation data زیاد شد یه قدم بیایم عقب و اونجارو به عنوان بهینه ترین انتخاب کنیم؟

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال بیست و نهم:

اگر ماتریس داده ما یعنی y ، سه بعدی باشد در قالب DataFrame و محور ایکس ما زمان باشد راهنمایی می فرمایید چگونه باید رگرسیون انجام دهیم.

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال سی‌ام:

در محاسبه Generaliztion error decomposition استاد فرض کردند که f‌ از f_hat مستقل است. ولی توضیح نداند چرا.

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال سی و یکم:

در روش SGD حرکات نویزی داریم؟ در اینجا نویزی بودن حرکات، آیا ارتباطی با مفهوم نویزی که داده­ ها حاملش هستند (اپسیلون در اسلایدها)، دارد؟ در اینصورت می­توان گفت ماهیت روشهای دیگر این نویز را کم می­کند؟

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال سی و دوم:

ماتریس A شامل دوتا بردار سه مولفه ای هست. و میخوام basis set پیدا کنم.
اگر ماتریس سیگما basis set باشه باید دوتا اسکالر از میدان به اسم های a و b وجود داشته باشه:
[1 -1 3] = a [4 0 0] + b [0 Г6 0]
من حسی ندارم که این رابطه درست باشه و فکر نمیکنم ماتریس سیگما basis set باشه لطفا راهنمایی کنید.

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال سی و سوم:

اگر امکانش هست راجع‌به جمع‌آوری داده‌ها و اینکه چه تعدادی باشند، آماده‌سازی داده و ... برای شروع یک پروژه‌ی ماشین لرنینگ نکات اصلی و مهمش رو بگید

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

#پرسش_و_پاسخ_۲۶_مهر

سوال سی و چهارم:

در جلسه سوم در مورد زیاد کردن درجه تابع برای فیت کردن به دیتا صحبت شد و اینکه با ایجاد فیچر بتونیم درجه را بالاتر ببریم در واقع بحث پلی نومینال ها بود . استاد گفتن درجه را تاجایی بالا میبریم و خطای داده های train و خطای داده های validation هر دو کم بشوند ، اون درجه خوب هست و اگر دوباره درجه رو بردیم بالا و خطای ولیدیشن و train همگرا نبودند ادامه نمی دیم ( مضمون حرف ایشون) که من تو شکل به اینصورت کشیدم که تا درجه 3 خوبه و لی درجه 4 خطای ولیدیشن زیاد میشه . سوالم این هست که آیا ممکنه با بیشتر کردن درجه دوباره خطای train , validation کمتر بشه که در درجه 6 دوباهر بهتر خطاهای هردو به هم نزدیک و کم بشوند

⭐️ اگر به این سوال‌ علاقمند هستید آن را 👍 کنید. سوالاتی که مورد تایید بیشترین مخاطبان باشد به ترتیب در جلسه‌ی پرسش و پاسخ پنجشنبه ۲۶ مهر مطرح و به آن‌ها پاسخ داده خواهد شد.

🌫 سوال بیست و پنجم:

👑 سوالی ک برای من پیش اومده اینه
با توجه به مدل هایی ک قراره انجام بدیم
به عنوان مثال پیش بینی قیمت طلا، پیش بینی رفتار افراد در سوشال مدیا رو بخوایم انجام بدیم، این داده هایی که نیازه تا برای مدل استفاده کنیم رو از کجا باید پیدا کنیم؟

📍 پاسخ سوال بیست و پنجم:

🤔 برای جمع‌آوری داده‌ها، بسته به کاربردی که داری، چندین منبع خوب وجود داره:

✅ ای‌پی‌آی‌ها: خیلی از سایت‌ها API میدن که می‌تونی داده‌های مربوط به کارت رو مستقیماً از اون‌ها بگیری. مثلاً برای بازارهای مالی، می‌تونی از Yahoo Finance API استفاده کنی که اطلاعاتی مثل قیمت طلا و سهام رو بهت میده.

✅ دیتاست‌های آماده: گاهی محققین قبلاً دیتاست‌های کاملی رو آماده کردن که می‌تونی ازشون استفاده کنی. این دیتاست‌ها رو معمولاً توی GitHub یا سایت‌های محققین پیدا می‌کنی. یکی از بهترین جاها برای پیدا کردن دیتاست، Kaggle هست که کلی دیتاست توی موضوعات مختلف داره. پیشنهاد می‌کنم حتماً یه نگاهی بهش بندازی!

✅ دیتاست‌های Built-in: بعضی از کتابخونه‌های یادگیری ماشین، مثل scikit-learn یا TensorFlow، دیتاست‌های آماده دارن که می‌تونی خیلی راحت ازشون استفاده کنی.

✅ وب‌اسکرپینگ (Web Scraping): اگه از طریق APIها یا دیتاست‌های آماده نتونستی داده‌ها رو پیدا کنی، شاید لازم باشه خودت دست به کار بشی و از اینترنت داده‌ها رو استخراج کنی. برای این کار می‌تونی از ابزارهایی مثل BeautifulSoup یا Selenium استفاده کنی تا اطلاعات مورد نیازت رو از سایت‌ها جمع کنی.

✅ جمع‌آوری دستی داده‌ها: گاهی هم ممکنه نیاز باشه خودت داده‌ها رو به صورت دستی جمع کنی. مثلاً می‌تونی پرسش‌نامه درست کنی یا نظرسنجی برگزار کنی و از افراد مختلف داده جمع کنی. توی دانشگاه‌ها هم معمولاً آزمایشگاه‌ها از دانشجوها برای جمع‌آوری داده کمک می‌گیرن.

📍 پاسخ سوال بیست و ششم:

🤔 مراحل محاسبه آنتروپی و حل این سوال در این فایل PDF توضیح داده شده