دانلود پاورپوینت خواص یادگیری بر پایه نمونه و بیان مثالهای کاربردی

دانلود پاورپوینت خواص یادگیری بر پایه نمونه و بیان مثالهای کاربردی - دانلود پاورپوینت خواص یادگیری بر پایه نمونه و بیان مثالهای کاربردی

---

دانلود پاورپوینت رشته کامپیوتر
خواص یادگیری بر پایه نمونه و بیان مثالهای کاربردی


مقدمه:
در IBL بر خلاف دیگر الگوریتمهای یادگیری افزایشی، به جای استفاده از بخشهای از قبل کامپایل شده در طول فاز پیش بینی از یک سری نمونه های مشخص استفاده می شود. و از آنجائی که این الگوریتمها از توابع شباهت برای رده بندی میان نمونه ها استفاده می کنند، قادر به تشریح مفاهیم احتمالی نیز می باشند. در واقع، روشهای IBL دقیقا همه داده دریافتی شان را به خاطر می آورند. در واقع، معمولا هیچ گونه فاز آموزشی نداشته و تنها در زمان پیش گویی و تصمیم گیری دارای محاسبات می باشند. سپس، با گرفتن یک گزارش در پایگاه داده به دنبال نمونه های مشابه گشته و یک مدل محلی online برای محاسبه مقدار خروجی ایجاد می کند.

الگوریتمهای IBL از دسته بندی کننده الگوی NN(Nearest Neighbor) گرفته شده اند، که در عین حال به ذخیره و استفاده از نمونه های منتخب برای پیش بینی دسته بندی می پردازد.الگوریتمهای تغییر یافته NN غیر افزایشی بوده و هدف اولیه شان، حفظ سازگاری کامل با مجموعه آموزشی اولیه می باشد، اگرچه داده را خلاصه می کنند ولی برای حداکثر کردن دقت دسته بندی در مورد نمونه های جدید نیز تلاشی انجام نمی دهند. در واقع به مساله نویز توجهی ندارند. در مقابل، الگوریتمهای IBL ، افزایش بوده و حداکثر ساختن دقت دسته بندی را نیز دز نظر می گیرند.
سیستمهای CBR برای حل برخی از مشکلات این سیستمها ارائه شده اند. این سیستمها مشابه IBL ها هستند، با این تفاوت که حالات را تغییر داده و در طی حل مساله از بخشهایی از یک حالت نیز استفاده می کنند. در واقع IBL ، الگوریتم متمرکز شده CBR است که به انتخاب حالات مناسب برای دسته بندی، کاهش فضای ذخیره سازی، متعادل کردن نویز و یادگیری ارتباط ویژگیها کمک می کند.



کلمات کلیدی:
یادگیری بر پایه نمونه
دسته بندی کننده الگوی NN
الگوریتمهای یادگیری افزایشی
خواص سیستم های یادگیری بر پایه نمونه


فهرست مطالب
 یادگیری بر پایه نمونه
 Instance-based Learning
 مشکلات
 روشهای مختلف
 K-Nearest Neighbor (KNN)
 Discrete Target Functions
 Continuous Target Functions
 Distance Weighted
 Locally Weighted Regression
 Radial Basis Function Networks
 Case-Based Reasoning
 General Regression Neural Networks
 K-Nearest Neighbor Learning (k-NN)
 الگوریتم k-NN برای تابع هدف گسسته

k-NN برای تابع هدف پیوسته
 Training data
 نرمالیزه کردن داده های آموزشی
 Normalised training data
 Distances of test instance from training data
 Distance-weighted k-NN
 نکاتی در مورد الگوریتم k-NN
 الگوریتم Distance-weighted k-NN بطور
 The curse of dimensionality
 Cross-validation
 Indexing
 ویژگیهای یادگیری نمونه
 مزایا:
 میتواند توابع پیچیده را مدل کند
 اطلاعات موجود در مثالهای آموزشی از بین نمیرود
 میتواند از نمایش سمبلیک نمونه ها استفاده کند
 معایب:
 بازده الگوریتم هنگام انجام دسته بندی کم است
 تعیین یک تابع فاصله مناسب مشکل است
 ویژگیهای نامرتبط تاثیر منفی در معیار فاصله دارند
 ممکن است به حافظه بسیار زیادی نیاز داشته باشد

 توابع Kernel
 Locally Weighted Regression
 Locally Weighted Linear Regression
 Radial Basis Functions
 روشی برای تقریب توابع است.
 یادگیری با RBF ارتباط نزدیکی با شبکه های عصبی مصنوعی و Distance-weighted regression دارد.
 Radial Basis Functions
 آموزش RBF
 نحوه انتخاب تعداد واحدهای مخفی
 نحوه انتخاب تعداد واحدهای مخفی
 ویژگی های شبکه RBF
 Case Based Reasoning
سه خاصیت اصلی سیستم های یادگیری بر پایه نمونه:
 مسائلی را که به شیوه CBR حل میکنیم
 پزشکی:
 حقوق:
 بنگاه مسکن:
 اجزا سیستم CBR
 Case-base
 Retrieval of relevant cases
 Adaptation of solution
 مثالی از :CBR تعیین نرخ مسکن
 انطباق
 Adaptation
 یادگیری
 مثالی از CADET : CBR
 سیستم CADET از CBR برای طراحی مفهومی ابزارهای مکانیکی ساده مثل شیر آب استفاده میکند.
 یک مسئله طراحی جدید:
 مثالی از CADET : CBR
 مشکلات

پرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : محمد همتی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :fileina.com

مشخصات فایل

فرمت : ppt

تعداد صفحات : 63

قیمت : برای مشاهده قیمت کلیک کنید

حجم فایل : 694 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل

یادگیری بر مبنای نمونه و الگوریتمهای آن

یادگیری بر مبنای نمونه و الگوریتمهای آن - ذخیره سازی و استفاده از نمونه های خاص، باعث افزایش و بهبود کارایی بسیاری از الگوریتمهای یادگیری با ناظر می باشد که شامل مواردی چون درخت تصمیم، قوانین دسته بندی و شبکه های توزیع شده می شود

---

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی
یادگیری بر مبنای نمونه و الگوریتمهای آن
*ضمیمه شدن پاورپوینت یادگیری بر مبنای نمونه در قالب 63 اسلاید و بصورت رایگان:)

چکیده:
ذخیره سازی و استفاده از نمونه های خاص، باعث افزایش و بهبود کارایی بسیاری از الگوریتمهای یادگیری با ناظر می باشد. که شامل مواردی چون درخت تصمیم، قوانین دسته بندی و شبکه های توزیع شده می شود. با این حال، الگوریتمهایی که تنها از نمونه های خاص در حل مسائل یادگیری افزایشی استفاده می کنند، کاملا بررسی نشده اند. روش بررسی شده در اینجا برای این امر، همان IBL(Instance Based Learning) است.در IBL بر خلاف دیگر الگوریتمهای یادگیری افزایشی، به جای استفاده از بخشهای از قبل کامپایل شده در طول فاز پیش بینی از یک سری نمونه های مشخص استفاده می شود. و از آنجائی که این الگوریتمها از توابع شباهت برای رده بندی میان نمونه ها استفاده می کنند، قادر به تشریح مفاهیم احتمالی نیز می باشند.



کلمات کلیدی:
الگوریتم IBL
الگوریتمهای یادگیری با ناظر
الگوریتمهای یادگیری افزایشی


مقدمه:
در IBL بر خلاف دیگر الگوریتمهای یادگیری افزایشی، به جای استفاده از بخشهای از قبل کامپایل شده در طول فاز پیش بینی از یک سری نمونه های مشخص استفاده می شود. و از آنجائی که این الگوریتمها از توابع شباهت برای رده بندی میان نمونه ها استفاده می کنند، قادر به تشریح مفاهیم احتمالی نیز می باشند. در واقع، روشهای IBL دقیقا همه داده دریافتی شان را به خاطر می آورند. در واقع، معمولا هیچ گونه فاز آموزشی نداشته و تنها در زمان پیش گویی و تصمیم گیری دارای محاسبات می باشند. سپس، با گرفتن یک گزارش در پایگاه داده به دنبال نمونه های مشابه گشته و یک مدل محلی online برای محاسبه مقدار خروجی ایجاد می کند.

الگوریتمهای IBL از دسته بندی کننده الگوی NN(Nearest Neighbor) گرفته شده اند، که در عین حال به ذخیره و استفاده از نمونه های منتخب برای پیش بینی دسته بندی می پردازد.الگوریتمهای تغییر یافته NN غیر افزایشی بوده و هدف اولیه شان، حفظ سازگاری کامل با مجموعه آموزشی اولیه می باشد، اگرچه داده را خلاصه می کنند ولی برای حداکثر کردن دقت دسته بندی در مورد نمونه های جدید نیز تلاشی انجام نمی دهند. در واقع به مساله نویز توجهی ندارند. در مقابل، الگوریتمهای IBL ، افزایش بوده و حداکثر ساختن دقت دسته بندی را نیز دز نظر می گیرند.

سیستمهای CBR برای حل برخی از مشکلات این سیستمها ارائه شده اند. این سیستمها مشابه IBL ها هستند، با این تفاوت که حالات را تغییر داده و در طی حل مساله از بخشهایی از یک حالت نیز استفاده می کنند. در واقع IBL ، الگوریتم متمرکز شده CBR است که به انتخاب حالات مناسب برای دسته بندی، کاهش فضای ذخیره سازی، متعادل کردن نویز و یادگیری ارتباط ویژگیها کمک می کند.







فهرست مطالب

- مقدمه 5
- الگوریتم های Instance Based Learning 7
الگوریتم IB1 7
الگوریتم IB2 9
الگوریتم IB3 11
- بهینه سازی IBL با استفاده از الگوریتم جستجو 14
- تاثیر پارامترهای دامنه ای بر الگوریتم های IBL 16
تاثیر احتمال رخداد برای هر ویژگی 16
تاثیر پارامتر k 17
منحنی یادگیری 18
فضای ذخیره سازی 19
مقدار بهینه k 19
تاثیر سطح نویز 20
- برخی کاربردها 22
استفاده از IBL در تصمیم گیری دینامیک 22
استفاده از IBL در تخمین توابع 26
- نتیجه گیری 28
- منابع 29




فهرست اشکال
شکل 1 – مرزهای فضای IBL 8
شکل 2 – فضای IB2 9
شکل 3 – کاهش فضای ذخیره سازی و حساسیت به نویز در IB2 10
شکل 4 – عملکرد بهتر فیلترهای نویز در IB3 نسبت به IB1 و IB2 12
شکل 5 – تاثیر بر دقت مورد انتظار در 1-NN 17
شکل 6 – تاثیر مقدار k بر دقت Knn 18
شکل 7 – منحنی یادگیری 1NN و KNN بهینه 18
شکل 8 – تعداد نمونه های آموزشی مورد نیاز برای دسترسی به سطح دقت مورد نظر برای 1NN و KNN بهینه 19
شکل 9 – مقدار بهینه k 20
شکل 10 – تاثیر بر دقت مورد انتظار 1NN و KNN بهینه
a)نویز ویژگی مرتبط و b )نویز کلاسی 21
شکل 12 – فرآیند IBLT 23

قیمت فقط25,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : محمد همتی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :fileina.com

مشخصات فایل

فرمت : doc

تعداد صفحات : 31

قیمت : 25,000 تومان

حجم فایل : 1071 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل