بخشی از پاورپوینت
اسلاید 1 :
یادگیری ماشین
Instructor : Farhad M.kazemi
اسلاید 2 :
مقدمه
تعریف فرهنگ لغات از یادگیری:
یادگیری عبارت است ازبدست آوردن دانش و یا فهم آن از طریق مطالعه، آموزش و یا تجربه
همچنین گفته شده است که یادگیری عبارت است از بهبود عملکرد از طریق تجربه
تعریف یادگیری ماشین:
یادگیری ماشین عبارت است از اینکه چگونه میتوان برنامه ای نوشت که از طریق تجربه یادگیری کرده و عملکرد خود را بهتر کند. یادگیری ممکن است باعث تغییر در ساختار برنامه و یا داده ها شود.
اسلاید 3 :
مقدمه
یادگیری ماشین زمینه نسبتا جدیدی از هوش مصنوعی است که در حال حاضر دوران رشد و تکامل خود را میگذراند و یک زمینه تحقیقاتی بسیار فعال در علوم کامپیوتر است.
علوم مختلفی در ارتباط با یادگیری ماشین در ارتباط هستند از جمله:
هوش مصنوعی، روانشناسی، فلسفه، تئوری اطلاعات ، آمار و احتمالات، تئوری کنترل و .
اسلاید 4 :
اهداف درس
هدف از این درس ارائه یک دید کلی نسبت به یادگیر ماشین است که مباحث زیر را در بر میگیرد:
جنبه های عملی شامل: الگوریتم های یادگیری مختلف نظیر درخت های تصمیم گیری، شبکه هاب عصبی و شبکه هاب باور بیزی،
مدلهای عمومی شامل: الگوریتم ژنتیک و یادگیری تقویتی
مفاهیم تئوریک شامل: زمینه های مرتبط درعلم آمار، یادگیری بیزین و ساختاریادگیریPAC . در این مباحث ارتباط تعداد مثالها با کارائی یادگیری بررسی میشوند، میزان خطای قابل انتظار محاسبه میشود، و بررسی میشود که کدام الگئریتم یادگیری برای چه مسائلی کارائی بیشتری دارد.
اسلاید 6 :
سیلابس درس
Introduction مقدمه
Concept learningیادگیری مفهوم
Decision Tree Learningدرخت تصمیم گیری
Artificial Neural Networks شبکه های عصبی مصنوعی
Evaluating Hypothesis ارزیابی فرضیه
Bayesian learningیادگیری بیزین و شبکه های باور بیزی
Computational Learning Theoryتئوری یادگیری محاسباتی
Instance based learningیادگیری نمونه
Genetic Algorithmsالگوریتم ژنتیک
Reinforcement Learningبادگیری تقویتی
Support Vector Machine SVM
اسلاید 7 :
چرا یادگیری؟
چرا ماشین را برنامه نویسی نکنیم؟
بعضی کارها را بدرستی نمیتوان توصیف نمود. در صورتیکه ممکن است آنها را بتوان بصورت مثالهای ( ورودی/خر.جی) معین نمود.
ممکن است در خیل عظیمی از داده اطلاعات مهمی نهفته باشد که بشر قادر به تشخیص آن نباشد ( داده کاوی)
ممکن است موقع طراحی یک سیستم تمامی ویژگیهای آن شناخته شده نباشد در حالیکه ماشین میتواند حین کار آنها را یاد بگیرد.
ممکن است محیط در طول زمان تغییر کند. ماشین میتواند با یادگیری این تغییرات خود را با آنها وفق دهد.
اسلاید 8 :
چرا یادگیری ؟
در سالهای اخیر پیشرفتهای زیادی در الگوریتم ها و تئوری های مربوطه بوجود آمده و زمینه های تحقیقاتی جدید زیادی پدید آمده اند.
داده های آزمایشی زیادی بصورت Online بوجود آمده اند.
کامپیوتر ها قدرت محاسباتی زیادی بدست آورده اند
جنیه های عملی با کاربردهای صنعتی بوجود آمده اند. ( در زمینه پردازش گفتار برنامه های مبتنی بر یادگیری از همه روشهای دیگر پیشی گرفته اند)
اسلاید 9 :
برخی از کاربردهای یادگیری ماشین
کنترل روباتها
داده کاوی
تشخیص گفتار
شناسائی متن
پردازش داده های اینترنتی
Bioinformatics
بازهای کامپیوتری
اسلاید 10 :
وظیفه یادگیری ماشین
دسته بندی یا classification مثل تشخیص گفتار
حل مسئله، طراحی و عمل مثل بلزی ها، راندهن اتومبیل در بزرگراه
اسلاید 11 :
مبنای ارزیابی الگوریتمهای یادگیری
دقت دسته بندی
صحت راه حل و کیفیت آن
سرعت عملکرد
اسلاید 12 :
یادگیری انسان و ماشین
یادگیری انسان چگونه است؟
انسان از طریق تعامل با محیط بیرونی یاد میگیرد
یک عامل باید وجود داشته باشد تا یادگیری را شروع کند
یادگیری ماشین چگونه اشت؟
از طریق نوشتن برنامه میتوان به ماشین گفت که چه باید بکند.
از طریق نمایش مثالهای متعدد میتوان ماشین را وادار به یادگیری نمود.
ماشین میتواند از طریق تجربه محیط واقعی یاد بگیرید.
در حالتیکه مثالیها مشخص نیستند و خبرهای وجود ندارد ماشین میتواند از طریق مشاهده یادبگیرد.
اسلاید 13 :
تکنیک های مختلف یادیگیری
یادگیری استتنتاجی ( inductive)
که یادگیری بر مبنای مثالهای متععد انجام میشود. مثل درخت های تصمیم
یادگیری Connectionist
که یادگیری بر مبنای مدل مغز بشر صورت میپذیرد. مثل شبکه های عصبی مصنوعی
یادگیری Bayesian
که فرضیه های مختلفی در مورد داده ارائه میشود.
یادگیری Reinforcement
که از سنسورها و تجربه در محیط استفاده میشود.
یادگیری Evolutionary
مثل الگوریتم ژنتیک
اسلاید 14 :
دسته بندی یادگیری
یادگیری با ناظر: یک مجموعه از مثالهای یادگیری وجود دارد بازای هر ورودی، مقدار خروجی و یا تابع مربوطه نیز مشخص است. هدف سیستم یادگیر بدست آوردن فرضیه ای است که تابع و یا رابطه بین ورودی و یا خروجی را حدس بزند
یادگیری بدون ناظر: یک مجموعه از مثالهای یادگیری وجود دارد که در آن فقط مقدار ورودیهیا مشخص است و اطلاعاتی در مورد خروجی صحیح در دست نیست. یادگیری بدون ناظر برای دسته بندی ورودیها و یا پیش بینی مقدار بعدی بر اساس موقعیت فعلی بکار میرود.
اسلاید 15 :
مثالی از یادگیری با ناظر
یک دیتا بیس شامل قیمت 50 خانه و مساحت خانه ها وجود دارد چگونه میتوان نرخ خانه ها را بر اساس تابعی از اندازه آنها یاد گرفت؟
اسلاید 16 :
مثالی از یادگیری با ناظر
Input feature: x(i) = مساحت خانه
Output feature: y(i)= قیمت خانه
< x(i), y(i) > مثال یادگیری
{ x(i), y(i) , i=1:m} مجموعه یادگیری
عمل یادگیری: با داشتن یک مجموعه یادگیری میخواهیم تابعی بصورت h: x y یاد بگیریم که h(x) بتواند مقدار y را بخوبی حدس بزند. این تابع فرضیه و یا hypothesis نامیده میشود.
اسلاید 17 :
رگراسیون و دسته بندی
رگراسیون:
وقتی که تابع هدف بصورت پیوشته باشد مسئله یادگیری یک مسئله رگراسیون خواهد بود. مثل یادگیری رابطه قیمت و مساحت خانه ها
دسته بندی (classification) :
وقتی که y بتواند تعداد محدودی مقدار گسسته بگیرد مسئله یادگیری یک مسئله دسته بندی خواهد بود. مثل: آیا خانه مورد نظر یک آپارتمان است؟
