الگوریتم IBL
الگوریتمهای یادگیری با ناظر
الگوریتمهای یادگیری افزایشی
یادگیری بر مبنای نمونه و الگوریتمهای آن
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی
دانلود مقالات هوش مصنوعی
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
