آمار مدرن و تجزیه و تحلیل داده ها بر دو تفاوت مفهومی تأکید دارند: اول اینکه، آزمون فرضیه متفاوت، با تخمین همراه با برآورد کمّی از عدم قطعیت متفاوت است و دومی اینکه ، نوع استدلال انجام شده در روش های کلاسیک آمار با روشهای بیزی مغایرت دارند. هدف اصلی ما در این سمینار این است که ببینیم، چرا روشهای بیزی بهتر از روش های کلاسیک به اهداف آمار جدید می رسند. در این راستا به بررسی دو روش بیزی و کلاسیک در مورد آزمون فرضیه و برآورد با بازه اعتماد می پردازیم.

          پیشگامان یادگیری ماشینی در پی کشف روش های نوین تولید مدلهای تحلیل داده بودند، مثل پیدا کردن بهترین درخت طبقه بندی یک مجموعه داده. به مرور زمان و با افزایش تنوع روشهای تولید مدلهای یادگیری( طبقه بندی یا رگرسیون)  ، لزوم وجود یک روش مقایسه آنها بیش از پیش معلوم شد. مقالات نیز به تدریج شروع به مقایسه روش پیشنهادی خود را با روشهای موجود، کردند. در این راستا محققین یادگیری ماشینی، مثل جوامع علمی دیگر روش آزمون فرضیه متفاوت، را برای اثبات برتری نتایجشان به کار بردند. اما روش آزمون فرضیه متفاوت به زودی اعتبار علمی خود را از دست داد. ما بر این عقیده هستیم که جامعه یادگیری ماشینی نیز نباید از پیشرفت های اخیر در این زمینه مستثنی باشد. در این سمینار، ما روش بیزی مقایسه نتایج دو مدل طبقه بندی اماری را بیان خواهیم کرد و خواهیم دید که چرا روشهای بیزی بر روش‌های کلاسیک ارجحیت دارند.

همواره یکی از وظایف مهندس کامپیوتر آشنایی کامل با آمار و پارامتر‌های آماری می‌باشد تا بتواند تحلیل صحیحی از دیتا‌ها داشته باشد؛ به این منظور انجمن علمی دانشکده مهندسی کامپیوتر، جهت آشنایی کامل دانشجویان با آمار مدرن، اقدام به برگزاری سمینار Bayesian Inference vs Null Hypothesis Significance Testing (NHST) نمود.

هزینه ثبت نام : رایگان

تاریخ برگزاری : ۲۸ فروردین 1396

زمان برگزاری : ساعت  ۱۳:۳۰ الی 15

جهت ثبت نام و یا کسب اطلاعات بیشتر به انجمن علمی دانشکده مهندسی کامپیوتر واقع در طبقه زیرزمین دانشکده مهندسی کامپیوتر مراجعه فرمایید .