تا حالا برای هیچ ویدئویی کامنت نزاشتم و فقط برای اونایی که جالب بودن تودلم گفتم دمش گرم ولی حیفم اومد برای این ویدئو نظر ندم از بس دقیق و ریشه ای همه ی مفاهیم رو توضیح میدین با یک دسته بندی مهندسی شده طوری که خواننده متوجه بشه هر مفهوم کدوم قطعه پازل دانش علم داده را پر میکنه. امیدوارم که در این دوره مباحث پیش پردازش داده ، دیتاویژوالیزیشن و دیتا آنالسیس را پوشش بدین و مطمئنم که با تفکر الگوریتمی شما این دوره یکی از کاربردی ترین دوره های این حوزه میشود. دمت گرم آقا رضا که وقت میزارین تا آموزش های باکیفیت تولید کنید🙏 بیصبرانه منتظر قسمت بعدی هستم..
خیلی ممنون بابت توضیحاتی که در رابطه با موارد اساسی و بنیادین ارائه ددادید. بسیار مفید و سودمند بود. لطفا بیشتر دررابطه بااین موارد پایه و اصلی ویدیو بگذارید. سپاس از شما
سلام استاد شما دوتا سایت رو معرفی کرده بودین که میتونیم از توش سمپل های واقعی پروژه یا سوالات شرکت ها رو ببینیم و انجام بدیم جهت تست میشه لینک ش رو بدین لطفا
سپاس از وقتی که گذاشتید و محتوای ارزشمندتون فقط اینکه توی کتابهای امار دیتاهای کمی رو به نسبتی و فاصله ای تقسیم میکنن که با این تقسیم بندی گسسته و پیوسته بنظر میاد متفاوته، کدوم تقسیم بندی بنطر شما درست تره؟
ببین مهم اینه از دیتا شناخت داشته باشیم و بدونیم با هر دسته چه کاری باید بکنیم. اسمگذاری و نوع دسته‌بندی اهمیتی نداره. این مواردی که هم گفتی رو دقیق نمیشناسم ولی برآوردم اینه که نسبتی همون پیوسته و فاصله‌ای همون گسسته باشن احتمالا.
سلام مهندس میشه بیوگرافی کوتاهی از خودت برام بفرستید بخصوص در مورد اموزش عالی که تو ریاضی ودانشگاهتون چقدر زحمت کشید تا بشه الگو برای بقیه بخصوص من وامثال من واقعا مچکرم البته این از خودستایی نیست ومنابع وزحماتتون بفرمایید .خیلییی زحمت میشه
استاد عزيز با سپاس از ويدئو هاي مفيد شما. يک سوال برايم پيش آمد. اگر مدل داده هاي کلاس را عددي در نظر بگيرد، موقع محاسبات فاصله، فاصله 3 از 1 دو برابر فاصله 2 از 1 محاسبه مي شود در حالي که شايد کلاس 3 در کشتي به کلاس دو چسبيده باشد و مدل به اشتباه بيفتد. بهتر نيست همان کتگوريکال در نظر بگيريم؟ بعد از چت جي پي تي پرسيدم اينو ميگه: You make a valid point. When it comes to calculating distances or performing numerical operations on class labels, using them as numerical values may lead to incorrect interpretations or misleading results. In scenarios where the classes represent distinct categories without any inherent numerical order or magnitude, it is generally better to treat them as categorical variables. By treating the ship classes as categorical, you avoid the potential issues arising from assuming a numerical relationship between the classes. Categorical variables allow for proper handling of class relationships, such as determining if class 3 is more similar to class 2 than class 1, without introducing unintended biases or miscalculations. Therefore, considering the ship classes as categorical data is a more appropriate approach in this context.
خیلی سوال خویی به ذهنت رسیده. دقیقا این یکی از چلنج‌هایی که مدل ماشین لرنینگ رو به اشتباه میندازه. راهکارش استفاده از روش‌هایی مثل onehotencoding توی پکیج sklearn یا getdummies توی پکیج pandas هست. راهش اینه که وان هات کنیم داده کتوریکال بیش از ۲ مقداری رو.
![[#2024MAMA] BIGBANG (빅뱅) - 뱅뱅뱅 (BANG BANG BANG) + FANTASTIC BABY | Mnet 241123 방송](http://i.ytimg.com/vi/EQsYfiPR9uM/mqdefault.jpg)
تا حالا برای هیچ ویدئویی کامنت نزاشتم و فقط برای اونایی که جالب بودن تودلم گفتم دمش گرم ولی حیفم اومد برای این ویدئو نظر ندم از بس دقیق و ریشه ای همه ی مفاهیم رو توضیح میدین با یک دسته بندی مهندسی شده طوری که خواننده متوجه بشه هر مفهوم کدوم قطعه پازل دانش علم داده را پر میکنه.
امیدوارم که در این دوره مباحث پیش پردازش داده ، دیتاویژوالیزیشن و دیتا آنالسیس را پوشش بدین و مطمئنم که با تفکر الگوریتمی شما این دوره یکی از کاربردی ترین دوره های این حوزه میشود.
دمت گرم آقا رضا که وقت میزارین تا آموزش های باکیفیت تولید کنید🙏
بیصبرانه منتظر قسمت بعدی هستم..
cheghadre motefavet va khub
👌👌👌
🤌🤌 کامل و واضح
یکی از بهترین آموزش هاس واقعا
خیلی عالی...
خیلی عالی بود ممنون از آموزش خوبتون.
عالی بود
perferct
خیلی ممنون بابت توضیحاتی که در رابطه با موارد اساسی و بنیادین ارائه ددادید. بسیار مفید و سودمند بود. لطفا بیشتر دررابطه بااین موارد پایه و اصلی ویدیو بگذارید. سپاس از شما
We love Rezashokrzad❤
Nice lesson
سلام استاد شما دوتا سایت رو معرفی کرده بودین که میتونیم از توش سمپل های واقعی پروژه یا سوالات شرکت ها رو ببینیم و انجام بدیم جهت تست میشه لینک ش رو بدین لطفا
سپاس از وقتی که گذاشتید و محتوای ارزشمندتون
فقط اینکه توی کتابهای امار دیتاهای کمی رو به نسبتی و فاصله ای تقسیم میکنن
که با این تقسیم بندی گسسته و پیوسته بنظر میاد متفاوته،
کدوم تقسیم بندی بنطر شما درست تره؟
ببین مهم اینه از دیتا شناخت داشته باشیم و بدونیم با هر دسته چه کاری باید بکنیم. اسمگذاری و نوع دسته‌بندی اهمیتی نداره. این مواردی که هم گفتی رو دقیق نمیشناسم ولی برآوردم اینه که نسبتی همون پیوسته و فاصله‌ای همون گسسته باشن احتمالا.
@@RezaShokrzad
کاملا درسته
ممنون
سلام مهندس میشه بیوگرافی کوتاهی از خودت برام بفرستید بخصوص در مورد اموزش عالی که تو ریاضی ودانشگاهتون چقدر زحمت کشید تا بشه الگو برای بقیه بخصوص من وامثال من واقعا مچکرم البته این از خودستایی نیست ومنابع وزحماتتون بفرمایید .خیلییی زحمت میشه
استاد عزيز با سپاس از ويدئو هاي مفيد شما.
يک سوال برايم پيش آمد. اگر مدل داده هاي کلاس را عددي در نظر بگيرد، موقع محاسبات فاصله، فاصله 3 از 1 دو برابر فاصله 2 از 1 محاسبه مي شود در حالي که شايد کلاس 3 در کشتي به کلاس دو چسبيده باشد و مدل به اشتباه بيفتد. بهتر نيست همان کتگوريکال در نظر بگيريم؟ بعد از چت جي پي تي پرسيدم اينو ميگه:
You make a valid point. When it comes to calculating distances or performing numerical operations on class labels, using them as numerical values may lead to incorrect interpretations or misleading results. In scenarios where the classes represent distinct categories without any inherent numerical order or magnitude, it is generally better to treat them as categorical variables.
By treating the ship classes as categorical, you avoid the potential issues arising from assuming a numerical relationship between the classes. Categorical variables allow for proper handling of class relationships, such as determining if class 3 is more similar to class 2 than class 1, without introducing unintended biases or miscalculations.
Therefore, considering the ship classes as categorical data is a more appropriate approach in this context.
خیلی سوال خویی به ذهنت رسیده. دقیقا این یکی از چلنج‌هایی که مدل ماشین لرنینگ رو به اشتباه میندازه. راهکارش استفاده از روش‌هایی مثل onehotencoding توی پکیج sklearn یا getdummies توی پکیج pandas هست. راهش اینه که وان هات کنیم داده کتوریکال بیش از ۲ مقداری رو.
خیلی عالی