no-img
فایل ۹۸

یادگیری بر مبنای نمونه و الگوریتمهای آن - فایل ۹۸


فایل ۹۸
پکیج های آموزشی سایت
اطلاعیه های سایت

adsads

ادامه مطلب

DOC
یادگیری بر مبنای نمونه و الگوریتمهای آن
امتیاز 5.00 ( 1 رای )
doc
فروردین ۳۱, ۱۳۹۵
حجم : 8 مگابایت
50,000 ریال
50,000 ریال – خرید

یادگیری بر مبنای نمونه و الگوریتمهای آن


*ضمیمه شدن پاورپوینت یادگیری بر مبنای نمونه در قالب ۶۳ 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
– مقدمه۵

– الگوریتم های Instance Based Learning7

      الگوریتم IB1 7
      الگوریتم IB29
      الگوریتم IB311

– بهینه سازی IBL با استفاده از الگوریتم جستجو۱۴

– تاثیر پارامترهای دامنه ای بر الگوریتم های IBL16

      تاثیر احتمال رخداد برای هر ویژگی۱۶
      تاثیر پارامتر k 17
     منحنی یادگیری۱۸
     فضای ذخیره سازی۱۹
     مقدار بهینه k19
     تاثیر سطح نویز۲۰
– برخی کاربردها۲۲

     استفاده از IBL در تصمیم گیری دینامیک۲۲

     استفاده از IBL در تخمین توابع۲۶

– نتیجه گیری۲۸
– منابع۲۹
فهرست اشکال
شکل ۱   –   مرزهای فضای IBL8
شکل ۲   –   فضای IB2 9
شکل ۳   –   کاهش فضای ذخیره سازی و حساسیت به نویز در IB210
شکل ۴   –   عملکرد بهتر فیلترهای نویز در IB3 نسبت به IB1 و  IB212
شکل ۵   –   تاثیر بر دقت مورد انتظار در ۱-NN17
شکل ۶   –   تاثیر مقدار k بر دقت Knn18
شکل ۷   –  منحنی یادگیری ۱NN و KNN بهینه۱۸
شکل ۸   –   تعداد نمونه های آموزشی مورد نیاز برای دسترسی به سطح دقت مورد نظر برای ۱NN و KNN بهینه۱۹
شکل ۹   –   مقدار بهینه k20
شکل ۱۰ –   تاثیر بر دقت مورد انتظار ۱NN و KNN بهینه
a)نویز ویژگی مرتبط و b )نویز کلاسی۲۱
شکل ۱۲ –   فرآیند IBLT23


برچسب‌ها :
, , , ,

تصاویر پیش نمایش


یادگیری بر مبنای نمونه و الگوریتمهای آن-1
یادگیری بر مبنای نمونه و الگوریتمهای آن-1
ads

درباره نویسنده

pouya 18 نوشته در فایل ۹۸ دارد . مشاهده تمام نوشته های

دیدگاه ها


پاسخ دهید