Problem-Dependent Resampling for Machine Learning

Xác thực chéo tiêu chuẩn thất bại khi dữ liệu của bạn không độc lập và phân phối giống nhau. Nếu bạn đang làm việc với chuỗi thời gian, dữ liệu không gian, hoặc các nhóm cụm, áp dụng tái lấy mẫu chung dẫn đến các chỉ số hiệu suất quá lạc quan và thất bại mô hình trong sản xuất. Lớp học dựa trên văn bản này hướng dẫn bạn qua lý thuyết nền tảng và ứng dụng thực tế của các kỹ thuật tái lấy mẫu phụ thuộc vào vấn đề. Bạn sẽ học cách thiết kế các chiến lược xác minh phản ánh cấu trúc thực sự của dữ liệu của bạn, đảm bảo các mô hình học máy mạnh mẽ và tổng quát. Bạn sẽ học được: - Hiểu về những hạn chế của việc xác minh ngang trên những người không có I.I.D. dữ liệu. - Apply block bootstrapping và time-series split techniques to preserve temporal dependencies. - Thực hiện tái lấy mẫu không gian và cụm mạnh để ngăn chặn rò rỉ dữ liệu. - Địa chỉ lớp bất cân bằng sử dụng các chiến lược tái mẫu tiên tiến, nhận thức vấn đề. - Đánh giá ổn định và không chắc chắn của mô hình sử dụng khung lấy mẫu thống kê hiện đại. - Hợp nhất các phân chia xác minh thích hợp vào các đường ống học máy hiện đại. Bạn sẽ bắt đầu bằng cách nắm vững các khái niệm thống kê cốt lõi và xác định cấu trúc phụ thuộc dữ liệu. Sau đó, bạn sẽ tiến hành thông qua các giải thích rõ ràng và các kịch bản dựa trên mã để thực hiện các chiến lược tái mẫu phù hợp cho các tập dữ liệu thực tế khác nhau. Lớp học này được thiết kế cho người mới bắt đầu đến các nhà khoa học dữ liệu trung cấp, các nhà phân tích và các nhà thực hành học máy tìm kiếm vượt qua các phân chia thử nghiệm cơ bản. Bắt đầu làm chủ các chiến lược xác minh mạnh mẽ hôm nay để xây dựng các mô hình bạn có thể tin tưởng.