دانلود فایل پاورپوینت بازیابی کارا و مؤثر اطلاعات وب

PowerPoint قابل ویرایش
62 صفحه
8900 تومان

لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت بازیابی کارا و مؤثر اطلاعات وب توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت بازیابی کارا و مؤثر اطلاعات وب قرار داده شده است

2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

4-در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

مقدمه
دستاوردهای این پروژه
کاوش متمرکز وب
کاوش متمرکز وب با استفاده از یادگیری تقویتی
طراحی و پیاده سازی کاوشگر متمرکز یادگیری تقویتی
نتایج حاصل از پیاده سازی و ارزیابی
توسعه مکانیسم های پرس و جو در کاوشگرهای متمرکز
معرفی “سلسله مراتب مفهومی با دامنه خاص (DSCH)”
ارائه الگوریتمی خودکار DSCH – پیاده سازی و ارزیابی آن
ارائه معماری یکپارچه برای موتورهای جستجوی با دامنه خاص
نتیجه گیری و پیشنهادات آینده
مقالات ارائه شده حاصل از پروژه

اسلاید ۲ :

کاوش متمرکز  وب به عنوان راه حلی برای بازیابی اطلاعات وب 
صفحات مربوط به یک موضوع و یا از نوع خاص را جستجو و کپی کرده، شاخص­بندی و نگهداری می کند. 
نتایج مورد انتظار از کاوش متمرکز 
یافتن بیشترین صفحات مربوط  با کاوش کمترین ابرپیوند نامربوط
تحقیقات مرتبط
Fish
Web Watcher
Page-Rank
IBM Focused Crawler (Clever)
Cora
Context Focused Crawler
KAON
Apprentice
 

اسلاید ۳ :

کاوش متمرکز وب با استفاده از یادگیری تقویتی
توسعه روشهای Cora برای محاسبه مقدار Q یادگیری تقویتی و پیشنهاد روشهای جدید
استفاده از دسته بندی کننده ماشینهای بردار پشتیبان برای اولین بار در کاوشگرها و مقایسه با نتایج قبلی
ارزیابی تاثیر مقادیر متفاوت پارامترهای یک کاوشگر یادگیری تقویتی در کارآیی کاوشگر مانند متن اطراف ابرپیوند، تعداد دسته ها در دسته بندی کننده و مقدار گاما در محاسبه Q
توسعه پرس و جوی کاربر در کاوشگرهای متمرکز
معرفی ابزار “سلسله مراتب مفهومی با دامنه خاص” و استفاده از آن برای توسعه خودکار پرس و جوی کاربر در معماری -CSََAKU
طراحی، پیاده سازی و ارزیابی الگوریتمی جدید برای یادگیری “سلسله مراتب مفهومی با دامنه خاص” با استفاده از اسناد آموزشی
پیشنهاد یک معماری یکپارچه (با ارائه چارچوب فرمال ) برای موتورهای جستجوی با دامنه خاص که از سلسله مراتب مفهومی با دامنه خاص و استدلال بر پایه موارد برای یادگیری از جستجوهای قبلی استفاده می کند

اسلاید ۴ :

خواصی از یادگیری تقویتی که آن را برای کاوش متمرکز مناسب می سازد:
توانایی مدل کردن پاداشهای تاخیری (آینده) حاصل از تعقیب ابرپیوندها
امکان یادگیری از سعی و خطا – مناسب برای محیط های پویا و با تعداد داده های آموزشی کم
کارآیی به صورت پاداش در طول زمان قابل اندازه گیری است
مزیت کاوشگر یادگیری تقویتی بر کاوشگر متمرکز معمولی
امکان در نظر گرفتن پاداش های آینده یک ابرپیوند در اولویت کاوش آن

اسلاید ۵ :

توابع T و R مشخص هستند
پاداشهای آنی (R: Reward Function)
سند مرتبط حاصل از کلیک کردن ابرپیوند
پاداشهای آینده (V: Value function)
سند (اسناد) مرتبط حاصل از تعقیب ابرپیوند در چند سطح بعدتر
“عمل”: تعقیب (پیمایش) یک ابرپیوند خاص (A: set of actions)
تعداد اعمال در اختیار، پویا و بزرگ
“حالت” شامل (S: set of states)
مجموعه اسناد هدفی است که باید کاوش شوند.
مجموعه‌ پیوندهایی که یافته شده‌اند.

اسلاید ۶ :

مشکلات
فضای حالات بسیار بزرگ است.
تعداد اعمال در اختیار هم بسیار زیاد است
فرض های کاوشگر یادگیری تقویتی Cora برای سادگی و تعمیم مساله:
“حالت” مستقل از اینست که کدام اسناد هدف تابحال دیده ‌شده‌اند.
تبدیل تمامی حالات به یک حالت
میزان ربط اعمال (ابرپیوندها) به موضوع (هدف) می‌تواند با کلمات “در همسایگی” ابرپیوند متناظر با هر عمل مشخص شود.
می‌توان بین ابرپیوندها تعمیم انجام داد و آنها را بوسیله متن اطرافشان با هم مقایسه کرد.

اسلاید ۷ :

امکان یادگیری برخط
طراحی کاوشگر یادگیری تقویتی در این پروژه
فاز آماده سازی بستر آزمایش و پیش پردازش
فاز یادگیری
فاز آزمایش

اسلاید ۸ :

دسته بندی کننده بیز ساده (مورد استفاده در Cora)
روش آماری برای دسته بندی متن (احتمال تعلق یک متن به هر دسته)
از روش بیز استفاده می کند و کلمه “ساده” به این معنی است که احتمال رخداد کلمات در هر دسته و سند را مستقل از هم در نظر می گیرد.
روش شناخته شده و پر کاربرد برای دسته بندی متن
دسته بندی کننده ماشینهای بردار پشتیبان (SVMs)
بر اصل “حداقل سازی خطای ساختاری” در نظریه یادگیری محاسباتی تکیه دارد
یافتن قضیه h که حداقل خطای مطلق را تضمین میکند، معادل یافتن چند سطحی است که دارای حداکثر حاشیه با بردارهای پشتیبان در داده های آموزشی است

اسلاید ۹ :

دلایل تناسب ماشینهای بردار پشتیبان برای دسته بندی متن 
ابعاد زیاد فضای ورودی – راه حل SVMsبه تعداد ویژگیها (صفات) بستگی ندارد. 
تعداد کم ویژگیهای غیر مرتبط 
تُنک بودن بردارهای اسناد 
ماشینهای بردار پشتیبان Transductive 
روش TSVMSیک نوع خاص از SVMsاست که هدفش یادگیری از تعداد معدودی داده آموزشی است
 در دسته بندی متن نسبت به الگوریتم SVMsبه کارآیی بهتری دست یافته است
دستاورد استنتاج Transductive به جای استقراء (Induction) استفاده میکند
 در استقرا، یادگیرنده سعی میکند تا به طریقه استقراء یک تابع تصمیم را نتیجه بگیرد که دارای نرخ خطای پایینی در تمامی توزیعهای داده های آموزشی و آزمایشی برای یک یادگیری خاص باشد. در بسیاری از موقعیتها می خواهیم یک مجموعه از مثالها (مجموعه آموزشی) را با کمترین خطای ممکن دسته بندی کنیم. این مساله، هدف استنتاج Transductive است.
 
 

اسلاید ۱۰ :

Immediate (Two classes): – std. FC
If the link is a paper its Q value is 1 else 0.
Distance:
Calculates Q values as gamma ^ (distance to the nearest reward)
Future (Three classes):
Calculate Q values for three classes – immediate, future, none. Score = 1 for immediate, gamma for future, zero for none.
Future (Four classes):
Calculates Q values for four classes – immediate, one-step, two-step, none.Score = 1 for immediate, gamma for one-step, gamma^2 for two-steps, zero for none

مطالب فوق فقط متون اسلاید های ابتدایی پاورپوینت بوده اند . جهت دریافت کل ان ، لطفا خریداری نمایید .
PowerPointقابل ویرایش - قیمت 8900 تومان در 62 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد