دانلود کتاب Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models – مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین

توضیحات

Introduction To Conformal Prediction With Python is the quickest way to learn an easy-to-use and very general technique for uncertainty quantification.

‘This concise book is accessible, lucid, and full of helpful code snippets. It explains the mathematical ideas with clarity and provides the reader with practical examples that illustrate the essence of conformal prediction, a powerful idea for uncertainty quantification.’

Junaid Butt, Research Software Engineer, IBM Research

Summary

A prerequisite for trust in machine learning is uncertainty quantification. Without it, an accurate prediction and a wild guess look the same.

Yet many machine learning models come without uncertainty quantification. And while there are many approaches to uncertainty from Bayesian posteriors to bootstrapping we have no guarantees that these approaches will perform well on new data.

At first glance conformal prediction seems like yet another contender. But conformal prediction can work in combination with any other uncertainty approach and has many advantages that make it stand out

Guaranteed coverage: Prediction regions generated by conformal prediction come with coverage guarantees of the true outcome

Easy to use: Conformal prediction approaches can be implemented from scratch with just a few lines of code

Model-agnostic: Conformal prediction works with any machine learning model

Distribution-free: Conformal prediction makes no distributional assumptions

No retraining required: Conformal prediction can be used without retraining the model

Broad application: conformal prediction works for classification, regression, time series forecasting, and many other tasks

Sound good?

————————————————————–

ترجمه ماشینی :

مقدمه‌ای بر پیش‌بینی منسجم با پایتون سریع‌ترین راه برای یادگیری یک تکنیک ساده و بسیار کلی برای کمی‌سازی عدم قطعیت است. ‘این کتاب مختصر در دسترس، شفاف و پر از کدهای مفید است. ایده‌های ریاضی را با وضوح توضیح می‌دهد و مثال‌های عملی را در اختیار خواننده قرار می‌دهد که جوهر پیش‌بینی هم‌نوع را نشان می‌دهد، ایده‌ای قدرتمند برای کمی‌سازی عدم قطعیت. Junaid Butt، مهندس نرم‌افزار تحقیقاتی، IBM Research خلاصه یک پیش‌نیاز برای اعتماد به یادگیری ماشین، تعیین کمیت عدم قطعیت است. بدون آن، یک پیش بینی دقیق و یک حدس وحشی یکسان به نظر می رسند. با این حال بسیاری از مدل‌های یادگیری ماشین بدون تعیین کمیت عدم قطعیت ارائه می‌شوند. و در حالی که رویکردهای زیادی برای عدم قطعیت از روش‌های پسین بیزی تا بوت استرپینگ وجود دارد، ما هیچ تضمینی نداریم که این رویکردها روی داده‌های جدید عملکرد خوبی داشته باشند. \ در نگاه اول، پیش‌بینی منسجم یک رقیب دیگر به نظر می‌رسد. اما پیش‌بینی منطبق می‌تواند در ترکیب با هر رویکرد عدم قطعیت دیگری کار کند و دارای مزایای زیادی است که آن را برجسته می‌کند \ پوشش تضمین شده: مناطق پیش‌بینی ایجاد شده توسط پیش‌بینی منسجم با تضمین پوشش نتیجه واقعی ارائه می‌شوند آسان برای استفاده: رویکردهای پیش‌بینی منسجم می‌توانند از ابتدا فقط با چند خط کد پیاده‌سازی می‌شود Model-agnostic: پیش‌بینی منسجم با هر مدل یادگیری ماشینی کار می‌کند بدون توزیع: پیش‌بینی منسجم هیچ فرض توزیعی ایجاد نمی‌کند بدون نیاز به آموزش مجدد: پیش‌بینی منسجم را می‌توان بدون آموزش مجدد مدل استفاده کرد گسترده کاربرد: پیش‌بینی منسجم برای طبقه‌بندی، رگرسیون، پیش‌بینی سری‌های زمانی و بسیاری کارهای دیگر کار می‌کند خوب به نظر می‌رسد؟

---

 

tag : دانلود کتاب مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین , Download مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین , دانلود مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین , Download Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models Book , مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین دانلود , buy مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین , خرید کتاب مقدمه‌ای بر پیش‌بینی منسجم با پایتون: راهنمای کوتاهی برای تعیین کمیت عدم قطعیت مدل‌های یادگیری ماشین , دانلود کتاب Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models , کتاب Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models , دانلود Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models , خرید Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models , خرید کتاب Introduction To Conformal Prediction With Python : A Short Guide For Quantifying Uncertainty Of Machine Learning Models ,