آپلود ویدئو | ورود | ثبت نام


فرادرس-

"آموزش یادگیری ماشین درس دوم: مرور روش های کلاسیک- بخش دوم: یادگیری استقرایی - درخت تصمیم "


Embed گزارش تخلف

مشاهده 2211

دریافت ویدئو: حجم کم کیفیت بالا
توسط فرادرس در 26 Dec 2016
توضیحات:



برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید:
#http://www.faradars.org/FVML9505

با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرآیندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها، از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع، می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمندسازی فرآیندها در کاربردهای مختلف، بکار گرفت.

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است.



سرفصل های مورد بحث در این فیلم آموزشی عبارتند از:
درس یکم: کلیات و مفاهیم پایه در یادگیری ماشین
تعاریف، ضرورت ها و دامنه کاربرد
یادگیری تحت نظارت (Supervised Learning)
یادگیری بدون نظارت (Unsupervised Learning)
بیان مفهومی تکنیک های پایه در یادگیری ماشین
رده بندی (Classification)
خوشه بندی (Clustering)
درس دوم: مرور روش های کلاسیک در یادگیری ماشین
یادگیری مفهوم (Concept Learning)
یادگیری مبتنی بر نمونه ها (Instance-based Learning)
یادگیری مبتنی بر قواعد (Rule-based Learning)
یادگیری مبتنی بر نظریه احتمال (Bayesian Learning)
درخت تصمیم (Decision Tree)
تکنیک های انتخاب ویژگی
الگوریتم ID3
الگوریتم C4.5
معرفی کلی روش های یادگیری مبتنی بر حسابگری زیستی
الگوریتم ژنتیک (Genetic Algorithms)
شبکه های عصبی مصنوعی (Artificial Neural Networks)
ترکیب رده بندی کننده ها (Combining Classifiers)
روش Ensemble Averaging
روش Bagging
روش Boosting
روش AdaBoost
روش های دینامیک: Mixtures of Experts
خوشه بندی (Clustering)
تکنیک های محاسبه فاصله بین انواع ویژگی ها
روش خوشه بندی K-Means
روش خوشه بندی K-Medoids
روش های خوشه بندی سلسله مراتبی (Hierarchical)
شاخص های ارزیابی فرآیند خوشه بندی
ارزیابی فرضیه ها (Hypotheses Evaluation)
درس سوم: یادگیری تقویتی – Reinforcement Learning
معرفی مفاهیم پایه:
عامل(Agent)
کنش (Action)
محیط (Environment)
پاداش و تنبیه
سیاست (Policy)
جستجو (Exploration)
بهره برداری از تجربه (Exploitation)
روش های انتخاب کنش
روش ε-Greedy
روش Softmax
روش Reinforcement Comparison
روش های Pursuit
مسئله یادگیری تقویتی
ویژگی مارکوف
فرآیند تصمیم مارکوف (Markov Decision Process)
معادلات Bellman
روش برنامه ریزی پویا (Dynamic Programming)
ارزیابی سیاست (Policy Evaluation)
بهبود سیاست (Policy Improvement)
روش های یادگیری Monte Carlo
روش On-policy
روش Off-policy
روش های یادگیری تفاوت زمانی (Temporal Difference)
روش SARSA
روش Q-Learning
روش های Eligibility Traces
کاربرد روش های یادگیری تقویتی در محیط های مشاهده پذیر جزئی مارکوف Partially Observable Markov Decision Processes – POMDP
روش های یادگیری تعاملی
روش یادگیری تعاملی Q-Learning
روش یادگیری مبتنی بر خبرگی
نمونه هایی از کاربردهای یادگیری تقویتی در حل مسائل در دنیای واقعی
تهیه مدل مارکوف برای مسئله مسیریابی ایمیل های ارسالی در شبکه ای از سرورها
طراحی خزش گر کانونی برای جمع آوری اطلاعات وب بر اساس روش یادگیری تقویتی
طراحی روش های رتبه بندی مبتنی بر یادگیری در جویشگرهای وب
معرفی MDP Toolbox برای پیاده سازی روش های یادگیری تقویتی در محیط Matlab

مدرس: دکتر امیر حسین کیهانی پور

لغات کلیدی:

آموزش, یادگیری, ماشین


comments powered by Disqus

درباره ما | تماس با ما | قوانین تخته سفید