آموزش یادگیری ماشین 11 - آشنایی با الگوریتم KNN و نحوه کدنویسی آن - با استفاده از دیتاست پزشکی
Vložit
- čas přidán 18. 09. 2023
- قسمت یازدهم دوره آموزش یادگیری ماشین از مقدماتی تا پیشرفته
در این جلسه ابتدا با الگوریتم k nearest neighbor (یا K همسایه نزدیک) آشنا میشیم. اول مفهموم این متد و ایده اصلی اون رو بررسی میکنیم. بعد با یک مثال نموداری، یاد میگیریم این الگوریتم چطور درصد (احتمال) مربوط به هر کلاس رو محاسبه میکنه و تخمین میزنه. در نهایت با استفاده از کتابخانه sklearn این متد رو پیاده سازی میکنیم. آخر سر، برای بررسی دقیق تر عملکرد این الگوریتم، معیارهای accuracy, precision و recall رو محاسبه میکنیم.
.
لینک دانلود دیتاست:
drive.google.com/file/d/1gSbD...
لینک دوره های مرتبط با این دوره
جلسه پیش پردازش دیتاست دیابت • آموزش یادگیری ماشین 9 ...
جلسه آشنایی با معیارهای ارزیابی مختلف (accuracy, precision, recall) • آموزش یادگیری ماشین 8...
ساخت محیط مجازی (virtual environment) دوره • دوره یادگیری ماشین 3 -...
آشنایی و کار با کتابخانه numpy در 20 دقیقه • کتابخانه های پرکاربرد...
آشنایی و کار با کتابخانه pandas در 20 دقیقه • کتابخانه های پرکاربر...
آشنایی و کار با کتابخانه matplotlib در 10 دقیقه • کتابخانه های پرکاربر...
نحوه نصب کتابخانه ها و پکیجها در پایتون • آموزش پایتون قسمت 13 ...
دوره آموزش پایتون از مقدماتی تا پیشرفته • دوره کامل آموزش برنام...
ممنون میشم اگر ویدیوها آموزنده هست اونها رو لایک کنید، توی کانالمون سابسکرایب کنید و اونها رو با دیگران هم به اشتراک بذارین.
لطفا از دانلود ویدیوها اجتناب کنین، برای این ویدیوها زحمت زیادی کشیده شده (من راضی نیستم که اونها رو دانلود کنید) و به همین دلیل تنها راه استفاده رایگان، تماشای آنلاین هست.
لینک کانال تلگرام t.me/techwithhasanabbasi
اگر برای ورود به دنیای برنامه نویسی و آموزش آن به صورت خودآموز نیاز به راهنمایی و مشاوره دارید، میتونین از طریق لینک زیر جهت رزرو زمان مناسب اقدام کنید تا با هم در موردش صحبت کنیم و یه شروع قدرتمند داشته باشین.
calendly.com/techwithhasanabb...
خیلی خوب بود تشکر
خواهش میکنم
خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین
ممنون، فوق العاده بود
خواهش میکنم
خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین
Perfect👌👌👌
Thank you! Cheers!
you are the best
Your welcome, glad to help!
عالی
خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
thanks alot
Most welcome
روش تدریس فوق العاده است👌
خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
توضیحات تمام و کمال هستند
تا بحال انقد آموزش کاملی ندیده بودم
خسته نباشید🙏🙏
خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
👌👌👌
Thank you for your support!
ممنونم بابت آموزش هاتون . برای پایان نامم دارم از ویدیو های شما استفاده می کنم و هیچ منبع دیگه که به این خوبی تدریس کنن داخل یوتیوب پیدا نکردم .
خواهش میکنم. خیلی خوشحالم که از آموزشها راضی هستین
امیدوارم در انجام پایان نامتون موفق باشید
همچنین اگر حس کردین ممکنه دوستانتون هم به محتواهای تولید شده نیاز داشته باشن، ممنون میشم با اشتراک گزاری از کانال حمایت کنید
awli merc
خواهش میکنم، خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
❤
Thank you for your support
💯💯💯
Thank you for your support!
مختصر و مفید و کاربردی😊
خواهش میکنم
خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون به اشتراک بذارین
ok , verygood, thanks
Welcome!
❤️❤️❤️❤️❤️
thank you for your support
🤩🤩
Thank you for your support!
عالی 👍
Thank you for your support!
به لطف شما هر روز دارم ماشین لرنینگ میخونم و تمرین میکنم🙏❤
خواهش میکنم، خیلی خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، به همین خاطر ممنون میشم اگر از آموزشها راضی هستین، با دوستانتون به اشتراک بذارین
با سلام و خداقوت
آقای دکتر خیلی عالی بود و مفید و کاربردی
فقط یه سوالی داشتم که میخواستم بدونم در خصوص رشته منابع طبیعی اگر مثالی بزنم اون مثال چی خواهد بود؟ آیا ما اول داده های خودمون رو آموزش میدیم که در چند کلاس و با چه خصوصیاتی باشند، بعد اگر داده آزمایشی وارد محیط شد با داده های پیشین مقایسه میشه؟
توی کامنتهای دیگتون توضیح دادم
سلام و روز بخیر، ممنون بابت اموزش های خوبتون، چطور میتونیم به کدها دسترسی پیدا کنیم؟؟؟
سلام خواهش میکنم
در حال حاضر فعلا کدها در دسترس نیستن، در آینده لینک گیتهاب به اشتراک گذاشته میشه
با عرض سلام و خسته نباشید،خیلی ممنونم از آموزش های عالی و زحمتی که میکشین
.آیا روشی هست که بشه بهترین تعداد ممکن k رو تخمین زد؟
سلام دوست عزیز، بله در دو جلسه آخر دیپ لرنینگ توضیح دادم چطور میشه بهترین پارامترهای هر مدل رو پیدا کرد
لینک جلسات
czcams.com/video/3aQVY3znnWU/video.html
czcams.com/video/5PNxg3XSVgg/video.html
خیلی ممنونم از لطفتون@@TechWithHasanAbbasi
خواهش میکنم
اگر حس میکنین ویدیوها مفید هست ممنون میشم با دوستانتون هم به اشتراک بذارین@@mehrnazgolari5005
ایا با همون روشنترین پیکسلها میتونم ی خط صاف داشته باشم
فقط میخام یک خط صاف و دقیق داشته باشم
بدون پرتی و اعواج نور
میتونین پیکسلها رو با توجه به روشنایی فیلتر کنین و بزرگترین روشناییها رو نگه دارین
@@TechWithHasanAbbasi تشکرررر🙏🙏
سلام
در اینجا هم مثل فصل 10 الگوریتم Naïve Bayes ابتدا فکر کردم که باز confusion matrix داره اشتباه میکنه و جای cel 1 رو با جای cel 4 عوض کرده ولی یباره بفکرم رسید که نکنه confusion matrix داره درست عمل مبکنه ولی این perscision_score و recal_score هست که درست عمل نمیکنه!
یعنی در حقیقت perscision_score باید 98 (TP) رو تقسیم کنه بر مجموع 98+11 که میشه 89.9 درصد و recal_score هم باید 98 رو تقسیم کنه بر مجموع 98+29 که میشه 77 درصد ولی یجورائی داره نتیجه های اشتباهی میده که راستش رو بخواهید من به این بیشتر باور دارم چه در قسمت recal_score از مجموع 127 تا مثبت 98 تاش رو درست حدس زده اونوقت چجوری نتیجه میشه 0.35 ؟!!
پس یجای کار اشتباهه که تنها نتیجه ای که میشه گرفت اینه که perscision_score و recal_score احتمالا در sklearn.matrics درست فرمول بندی نشده و داره سل TP و TN رو باهم اشتباهی میگیره
با توجه به ورژن کتابخانه ممکنه تفاوت وجود داشته باشه و من اشتباه کرده باشم. میتونین سایت skleran رو بررسی بفرمایید
سلام استاد خسته نباشید
یک سوال
اگه من یک نمودار خطی داشته باشم (تصویری ک از یک لیزر خطی دارم)ک نسبت ب پیکسلها میخام این خط مثلا ۱۳نقطه بهم بده
اگه این خط زیاد بازی و تلرانس داشته باشه آیا با این الگوریتم میشه دقیق یک خط صاف داشت؟؟؟
سوالتون رو متوجه نشدم خیلی دقیق، منتهی اگر یک خط دارین و میخواین معادلش رو بدست بیارین و بعدش ازش نمونه برداری کنین (مثلا 13 نقطه) بهتره از رگرسیون استفاده کنین
@@TechWithHasanAbbasi خیلی ممنون🙏🙏🙏
سلام استاد گرامی! استاد اموزش PYPY رو نداری ؟
سلام دوست عزیز
متاسفانه توی آینده نزدیک فکر نمیکنم براش آموزشی داشته باشم ولی حتما در برنامه قرار خواهد گرفت
ممنون بابت پیشنهادتون
@@TechWithHasanAbbasi ممنون می شوم اگر لطف کند کدام سایت اموزشی در رابطه به این موضوع معرفی کنید
ایاk عدد اعشارم میگیره؟؟؟
نه، حتما باید عدد صحیح باشه
خدایی خیلی خوب توضیح میدین، دمتون گرم👌
خواهش میکنم، خوشحالم که از آموزشها راضی هستین
با سلام و خداقوت
آقای دکتر خیلی عالی بود و مفید و کاربردی
فقط یه سوالی داشتم که میخواستم بدونم در خصوص رشته منابع طبیعی اگر مثالی بزنم اون مثال چی خواهد بود؟ آیا ما اول داده های خودمون رو آموزش میدیم که در چند کلاس و با چه خصوصیاتی باشند، بعد اگر داده آزمایشی وارد محیط شد با داده های پیشین مقایسه میشه؟
بله درست متوجه شدین
با سلام و خداقوت
آقای دکتر خیلی عالی بود و مفید و کاربردی
فقط یه سوالی داشتم که میخواستم بدونم در خصوص رشته منابع طبیعی اگر مثالی بزنم اون مثال چی خواهد بود؟ آیا ما اول داده های خودمون رو آموزش میدیم که در چند کلاس و با چه خصوصیاتی باشند، بعد اگر داده آزمایشی وارد محیط شد با داده های پیشین مقایسه میشه؟
خواهش میکنم
خوشحالم که از آموزشها راضی هستین
جهت تهیه این آموزشها زحمت زیادی کشیده شده، ممنون میشم اگر حس میکنین مفید هستن با دوستانتون
به اشتراک بذارین
بله دقیقا