كاهش ابعاد و تشریح روشهای كاهش ابعاد داده

          س 
            بازدید : 289
          شنبه 06 آذر 1395
           نظرات (0)
        

كاهش ابعاد و تشریح روشهای كاهش ابعاد داده

تعداد متغیرهایی كه برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده می شوددر این تحقیق كاهش ابعاد و روشهای كاهش ابعاد داده مورد بررسی قرار میگیرد

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	393 کیلو بایت
تعداد صفحات فایل	58

دانلود پروژه مطالعاتی درس یادگیری ماشین

كاهش ابعاد و تشریح روشهای كاهش ابعاد داده

*ضمیمه شدن کد متلب کاهش ابعاد بصورت رایگان:)-

مقدمه

پیشرفتهای بوجود آمده در جمع آوری داده و قابلیتهای ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. محققان در زمینه های مختلف مانند مهندسی، ستاره شناسی، زیست شناسی و اقتصاد هر روز با مشاهدات بیشتر و بیشتری روبرو می شوند. در مقایسه با بسترهای داده ای قدیمی و كوچكتر، بسترهای داده ای امروزی چالشهای جدیدی در تحلیل داده ها بوجود آورده اند. روشهای آماری سنتی به دو دلیل امروزه كارائی خود را از دست داده اند. علت اول افزایش تعداد مشاهدات (observations) است، و علت دوم كه از اهمیت بالاتری برخوردار است افزایش تعداد متغیرهای مربوط به یك مشاهده می باشد.

تعداد متغیرهایی كه برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده می شود. عبارت "متغیر" (variable) بیشتر در آمار استفاده می شود در حالی كه در علوم كامپیوتر و یادگیری ماشین بیشتر از عبارات "ویژگی" (feature) و یا "صفت" (attribute) استفاده می گردد.بسترهای داده ای كه دارای ابعاد زیادی هستند علیرغم فرصتهایی كه به وجود می آورند، چالشهای محاسباتی زیادی را ایجاد می كنند. یكی از مشكلات داده های با ابعاد زیاد اینست كه در بیشتر مواقع تمام ویژگیهای داده ها برای یافتن دانشی كه در داده ها نهفته است مهم و حیاتی نیستند. به همین دلیل در بسیاری از زمینه ها كاهش ابعاد داده یكی از مباحث قابل توجه باقی مانده است.

در تهیه این گزارش كمتر به اثباتهای ریاضی پرداخته شده و بیشتر به مفاهیم و كاربرد روشها توجه شده است. در فصل دوم از این گزارش، به مطالعه ی روشهای مبتنی بر استخراج ویژگی پرداخته ایم. در تهیه ی مطالب این فصل سعی كرده ایم با ارائه ی مثالهای مناسب، خواننده را در درك بهتر مفاهیم مربوطه یاری رسانیم. در این فصل، چهار روش ارائه شده است كه همگی از نوع خطی هستند.در فصل سوم روشهای مبتنی بر انتخاب ویژگی ارائه شده است. می توان گفت در این فصل یك مطالعه اجمالی برروی تمامی روشهای انتخاب ویژگی انجام شده است.

کلمات کلیدی:

كاهش ابعاد

یادگیری ماشین

روشهای كاهش ابعاد داده

فهرست مطالب

Dimensionality Reduction

1- مقدمه

2- روشهای مبتنی بر استخراج ویژگی

2-1- Discrete Fourier Transform

2-2- Discrete Wavelet Transform

2-3- Principal Component Analysis

2-3-1- مفاهیم مقدماتی مورد نیاز در PCA

2-3-2- الگوریتم PCA

2-4- Factor Analysis

3- روشهای مبتنی بر انتخاب ویژگی

3-1- تعاریف

3-2- روشهای مختلف انتخاب ویژگی

3-2-1- توابع تولید کننده

3-2-2- تابع ارزیابی

3-2-3- دسته بندی و تشریح الگوریتم های مختلف انتخاب ویژگی

3-2-4- جمع بندی روشهای انتخاب ویژگی

4- فهرست منابع و مراجع

زبانهای نمایشی و معرفی مدلهای آن

          س 
            بازدید : 93
          شنبه 06 آذر 1395
           نظرات (0)
        

زبانهای نمایشی و معرفی مدلهای آن

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	249 کیلو بایت
تعداد صفحات فایل	52

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

زبانهای نمایشی و معرفی مدلهای آن

مقدمه:

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم . در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم . برای تشریح مفاهیم و نمونه ها از زبانهای نمایشی (Representational Languages) استفاده میکنیم . از نظر قدرت بیان و پیچیدگی میتوان زبانها را طبقه بندی کرد و در یک ترتیب صعودی داریم : Zero-order Logic ، Attribute-value Logic ، Horn Clauses و Second-order Logic . در ادامه به معرفی کوتاهی از این چهار مدل زبان تشریحی میپردازم ولی اساس کار در این مقاله استفاده از Attribute-value Logic میباشد .

کلمات کلیدی:

یادگیری ماشین

زبانهای نمایشی

مدلهای زبانهای نمایشی

تاریخچه،نظریه ها و مسایل یادگیری در انسان

          س 
            بازدید : 165
          شنبه 06 آذر 1395
           نظرات (0)
        

تاریخچه،نظریه ها و مسایل یادگیری در انسان

دانلود سمینار تاریخچه،نظریه ها و مسایل یادگیری در انسان

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	132 کیلو بایت
تعداد صفحات فایل	95

دانلود سمینار کارشناسی ارشد کامپیوتر - درس یادگیری ماشین

تاریخچه،نظریه ها و مسایل یادگیری در انسان

مقدمه:

تعریفهای گوناگونی كه درباره یادگیری انجام گرفته نشان می‌دهند كه هنوز تعریف جامع و یكدستی كه برای همه روان‌شناسان با نظریه‌های مختلف پذیرفتنی باشد به دست نیامده است. اما بسیاری از روان‌شناسان و پرورشكاران معتقدند كه «یادگیری تغییری است كه بر اثر تجربه یا آموزش در رفتار موجود زنده پدید می‌آید». در این تعریف مهمترین واژه‌ای كه نظر را به خود جلب می‌كند واژه تغییر است. زیرا رفتار فرد در زمانی كه چیزی نیاموخته با زمانی كه آن چیز را، آموخته است تفاوت دارد.

واژه مهم دیگر رفتار است. زیرا تغییر رفتار با ابعاد بدنی مانند طول و عرض و قد و وزن بدنی ارتباط ندارد، بلكه بیشتر معلوم یادگیری است، نه دگرگونیهای بدنی.با توجه به نكته‌های یاد شده مشاهده می‌شود كه دگرگونیهای ناشی از رشد طبیعی، بازتابها، پاسخهای خستگی، تاثیر داروها از نوع یادگیری نیستند. همچنین، دگرگونیهایی كه نتوانند تغییری در رفتار داشته باشند یادگیری به شمار نمی‌آیند. مانند زمانی كه تجربه یا اندیشه‌ای، احساس یا طرز فكر ما را تغییر می‌دهد. اما هیچ‌گونه اثر آشكاری در رفتار ندارد. هیلگارد روان‌شناس معروف، گرچه یادگیری را دارای دو جنبه نهان (نظری) و نمایان (كارنمودی) می‌داند، ولی تصریح می‌كند كه یادگیری فقط از جنبه نمایان یا عملكردی آن حاصل می‌شود.

از سوی دیگر روان‌شناسانی هستند كه یادگیری از دگرگونیهای نسبتاً پایدار در توانایی، گرایش یا ظرفیت پاسخ‌دهی عنوان كرده‌اند. با این تعریف مشاهده می‌شود كه یادگیری پیش از تغییر رفتار پدید می‌آید. البته موجود زنده زمانی می‌تواند پاسخ لازم را بدهد كه توانایی و ظرفیت دادن پاسخ را دارا باشد. بسیار اتفاق افتاده است كه معلم موضوعی مانند حل مساله را می‌خواهد به شاگرد بیاموزد كه مشهود نیست. انسان فقط نتیجه اندیشیدن یا حل مساله را مشاهده می‌كند، نه فرایندهای ظاهری آنها را. در این مورد علاقه معلم این است كه شاگرد توانایی و استعداد انجام دادن رفتار را به نحو خاصی پیدا كند تا رفتار نمایان و معینی را. ممكن است ادعا شود كه حل مساله عبارت از یك رشته الگوهای پاسخ‌دهی مشخص است و پاسخها نهان هستند تا نمایان. اما در حقیقت وقتی شاگرد جیزی می‌آموزد فقط رفتارش تغییر نمی‌یابد، بلكه استعداد پاسخ دادن او در اوضاع و احوال آینده نیز تغییر پیدا می‌كند.

با توجه به موارد بالا تا اینجا روشن شد كه یادگیری دارای دو تعریف است:

یكی به تغییر رتفار نمایان و دیگری به استعداد یا توانمندی در پاسخ دادن اختصاص می‌یابد. اما روان‌شناسان عصب‌گرا یادگیری را تغییر در ساختار فیزیولوژی اعصاب می‌دانند كه از استعداد ابزار پاسخ پدید می‌آید. دكتر هب یك رشته بررسیهایی درباره كاركرد اعصبا مركزی در رابطه با یادگیری به مضمون زیر انجام داده كه در خور اهمیت است:

یادگیری، فرایند ایجاد سیر یا مدار عصبی نسبتاً پایدار از طریق فعالیت خود به خود در مدارهای موجود است. وقتی فعالیتی صورت می‌گیرد حالت تغییر در ساخت سلولها و مدارهای عصبی ایجاد می‌شود و پاسخ مربوط به اثر برانگیختگی و تكرار به آسانی دریافت می‌شود.با ملاحظه تعریفهای سه‌گانه بالا درباره یادگیری، مورد اول و دوم در بررسیهای روان‌شناسی امروزی دارای اهمیت بیشتری است، اما مورد سوم از اعتبار علمی خاصی برخوردار است.

کلمات کلیدی:

یادگیری ماشین

یادگیری در انسان

نظریه های یادگیری

مسایل یادگیری در انسان

فهرست مطالب

1- زمینه و پیشینه نظریه های یادگیری4

1-1. شناخت و زمینه‌های یادگیری4

1-1-1. اهمیت یادگیری4

1-1-2. ماهیت یادگیری5

1-1-3. تعریف یادگیری6

1-2. بنیاد فلسفی نظریه‌ها7

1-2-1. خردگرایی8

1-2-2. تجربه‌گرایی10

1-3. پیشینه نظریه‌های یادگیری11

1-3-1. نظریه لوح سفید11

1-3-2. نظریه شكوفایی طبیعی13

1-3-3. نظریه اندریافت14

1-3-4. نظریه ساخت‌گرایی16

1-3-5. نظریه كارگردگرایی18

2. نظریه‌های تداعی‌گرایی21

2-1. نظریه وابسته‌گرایی ثورندایك22

2-1-1. قانونهای یادگیری ثورندایك24

2-1-2. قانونهای اصلی ثورندایك25

2-1-3. قانونهای فرعی26

2-1-4. بررسی و ارزشیابی نظریه وابسته‌گرایی27

2-1-5. هوش از دیدگاه ثورندایك28

2-2. نظریه بازتابی30

2-2-1. پدیده شرطی شدن31

2-3. نظریه رفتارگرایی واتسن34

2-3-1. چگونگی رفتارگرایی34

2-3-2. نقش محیط35

2-3-3. انسان از نظر واتسن35

2-3-4. شرطی شدن هیجانها36

2-3-5. سخن‌گویی از دیدگاه واتسن36

2-3-6. یادگیری از نظر واتسن37

2-4. نظریه كاهش سایق39

2-4-1. یادگیری برای بقاء39

2-5. یادگیری انتظاری40

2-5-1. یادگیری نهایی43

2-5-2. مسائل یادگیری43

2-6. نظریه كمّی اسپنس44

2-6-1. ماهیت نظریه یادگیری اسپنس44

2-6-2. رفتار یكپارچه46

2-6-3. چگونگی سازه‌ها46

2-6-4. تعیین‌كننده‌های رفتار47

2-6-5. یادگیری از دیدگاه اسپنس49

2-6-6. شرطی شدن كلاسیك50

2-6-7. ماهیت شرطی شدن ابزاری50

2-6-8. یادگیری افتراقی52

3. نظریه های شناخت‌گرایی54

3-1. نظریه یادگیری گشتالت55

3-1-1. چگونگی و اهمیت گشتالت55

3-1-2. پدیده فای یا ادراك حركت57

3-1-3.نقش تصویر و زمینه58

3-1-4. قانونهای سازماندهی59

3-1-5. نظریه اثر63

3-1-6. یادگیری از دیدگاه گشتالت64

3-1-7. اهمیت ادراك65

3-1-8. یادگیری و حل مساله66

3-2. نظریه شناخت‌شناسی تكوینی68

3-2-1. چگونگی مراحل رشد68

3-2-2. دوره اول : حسی و حركتی69

3-2-3. دوره دوم : قبل از عملیات عینی70

3-2-4. دوره سوم : عملیات عینی73

3-2-5. دوره چهارم : عملیات صوری77

3-2-6. یادگیری از دیدگاه پیاژه79

3-3. نظریه یادگیری اكتشافی82

3-3-1. چگونگی یادگیری82

4. نظریه‌های یادگیری اجتماعی85

4-1. چگونگی یادگیری اجتماعی85

4-2. پیشینه نظریه‌های یادگیری اجتماعی86

4-3. نظریه یادگیری اجتماعی بندورا88

4-3-1. چهارچوب ادراكی88

4-3-2. اهمیت تقلید در یادگیری91

5. مراجع95

یادگیری تقویتی و اجزای آن و اجرایی کردن یک مثال عامل

          س 
            بازدید : 137
          شنبه 06 آذر 1395
           نظرات (0)
        

یادگیری تقویتی و اجزای آن و اجرایی کردن یک مثال عامل

دانلود پروژه مطالعاتی درس یادگیری ماشین با عنوان یادگیری تقویتی و اجزای آن و اجرایی کردن یک مثال عامل

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	651 کیلو بایت
تعداد صفحات فایل	37

دانلود پروژه مطالعاتی درس یادگیری ماشین

یادگیری تقویتی و اجزای آن و اجرایی کردن یک مثال عامل

چکیده :

حیوانات ، انسان ها ، اتومات ها و .. از خود رفتار های مختلفی در محیطی که آن ها را احاطه کرده ، در شرایط مختلف ، از خود نشان می دهند.آن ها کارهای مختلفی را به عنوان باز خورد در جواب ورودی هایی که از محیط می گیرند انجام می دهند. بعضی از این عامل ها رفتار های خود را در طول زمان عوض می کنند.آن ها ممکن است با دادن ورودی های یکسان ، عمل های متفاوتی نسبت به حرکت های قبلی خود انجام دهند. چنین عاملی یاد می گیرد. شاخه یادگیری ماشین به مطالعه الگوریتم های یادگیری که مشخص می کند تغییر در ورودی ها چگونه در رفتار عامل تغییر ایجاد می کند می پردازد.

الگوریتم های یادگیری به 3 دسته تقسیم می شوند :

•با ناظر

•بی ناظر

•تقویتی

در یادگیری با ناظر ، عامل با یک سری ورودی و خروجی مشخص آموزش داده می شود.در یادگیری بی ناظر ، عامل از محیط ، هیچ باز خوردی دریافت نمی کند. در مقابل عامل سعی می کند تا وردی ها را به صورت خوشه ها ، طبقه بندی ها یا ... بازسازی کند.و اعمال خود را بر طبق این طبقه بندی ها و نتیجه گیری ها انجام دهد.

کلمات کلیدی:

یادگیری ماشین

یادگیری تقویتی

الگوریتم های یادگیری

مسائل یادگیری تقویتی

مقدمه:

در یک مسئله یادگیری تقویتی با عاملی روبرو هستیم که از طریق سعی و خطا با محیط تعامل کرده و یاد میگیرد تا عملی بهینه را بری رسیدن به هدف انتخاب نمید

یادگیری تقویتی از ینرو مورد توجه است که راهی بری آموزش عاملها بری انجام یک عمل از طریق دادن پاداش و تنبیه است

بدون ینکه لازم باشد نحوه انجام عمل را بری عامل مشخص نمائیم.



دو استراتژی اصلی بری ینکار وجود دارد:

•1.یکی استفاده از الگوریتم هی ژنتیکی

•2.و دیگری استفاده از روشهی آماری و dynamic programming

محیط مجموعه ی از S حالت ممکن است.

در هر لحظه t عامل میتواند یکی از A عمل ممکن را انجام دهد.

عامل ممکن است در مقابل عمل و یا مجموعه ی از اعمالی که انجام میدهد پاداش r را دریافت کند. ین پاداش ممکن است مثبت و یا منفی )تنبیه(باشد

عامل در محیط حرکت کرده و حالتها و پاداشهی مربوطه را به خاطر می سپارد.

عامل سعی میکند طوری رفتار کند که تابع پاداش را ماکزیمم نمید.

پاداش Rt مجموع پاداشی است که عامل با گذشت زمانt جمع کرده است.

فهرست مطالب

•معرفی یادگیری تقویتی

•برنامه نویسی پویا

•اجزا یک سیستم یادگیری تقویتی

oمحیط

oتابع پاداش

oتابع مقدار

•Q-Learning

oمعرفی

oالگوریتم یادگیری

oمثالی از یک عامل

oاثبات همگرایی

oیادگیری Q برای MDP غیرقطعی

•روش های مونت کارلو در یادگیری تقویتی

oویژگیها

oسیاست first visit MC

oکنترل مونت کارلو

oهمگرایی مونت کارلو

oon line policy و off line policy

•منابع

بررسی عملکرد SVM's در مسائل دسته بندی

          س 
            بازدید : 603
          شنبه 06 آذر 1395
           نظرات (0)
        

بررسی عملکرد SVM's در مسائل دسته بندی

در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن ها در مسائل مربوط به دسته بندی میپردازیم

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	157 کیلو بایت
تعداد صفحات فایل	21

دانلود مقاله کارشناسی ارشد مهندسی نرم افزار

بررسی عملکرد SVM's در مسائل دسته بندی

مقدمه

در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن ها در مسائل مربوط به دسته بندی می-پردازیم. استفاده از بردارهای پشتیبان خطی (SVM's) در مسائل دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط، تشخیص علائم راهنمایی و ... استفاده کرده اند. رویکرد SVM به این صورت است که در فاز آموزش، سعی می شود که مرز تصمیم گیری (Decision Boundry) به گونه ای انتخاب گردد که حداقل فاصله آن با هر یک از دسته های مورد نظر ماکزیمم گردد. این نوع انتخاب باعث می شود که تصمیم گیری ما در عمل، شرایط نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام می شود. در این گزارش ما ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که کاربرد زیادی در مفاهیم ماشین های دسته بندی دارند بررسی می کنیم و سپس به توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل می پردازیم. در نهایت نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار می دهیم

کلمات کلیدی:

یادگیری ماشین

مسائل دسته بندی

ماشین بردار پشتیبان

ماشین های دسته بندی

بردارهای پشتیبان خطی

فهرست مطالب

1 مقدمه1

2 حد بالا برای تعمیم‌پذیری كارایی یك ماشین یادگیر در شناسایی الگو4

3 بعد VC4

3 – 1 نقاط خردشونده با صفحات در فضای Rn5

3-2 بعد VC و تعداد پارامترها6

4 ماشین‌های بردار پشتیانی خطی، مورد جدایی‌پذیر7

4-1 Karush-Kuhn-Tucker11

4-2 تست12

4-3 شرایط جدایی ناپذیر12

5 بردارهای پشتیبان غیرخطی15

5-1 شرایط Mercer16

6 راه حل‌های فراگیر و یكتایی18

7 روش‌های حل18

8 بعد VC ماشینهای بردار پشتیبان19

8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function)20

9 مراجع21

تکنیک های یادگیری ماشین برای حل مسئله در بازی برابر انسان

          س 
            بازدید : 113
          شنبه 06 آذر 1395
           نظرات (0)
        

تکنیک های یادگیری ماشین برای حل مسئله در بازی برابر انسان

در این مقاله ، سعی برآن است که یک بررسی بر روی حجم زیادی از ادبیاتی که با رهیافت یادگیری ماشین بر بازیها در ارتباط است انجام شود

یادگیری ماشین
یادگیری ماشین در بازی مقابل انسان
تکنیک های یادگیری ماشین برای حل مسئله
رهیافت یادگیری ماشین بر بازیها
دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی
تکنیک های یادگیری ماشین برای حل مسئله در بازی برابر انسان

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	98 کیلو بایت
تعداد صفحات فایل	37

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تکنیک های یادگیری ماشین برای حل مسئله در بازی برابر انسان

مقدمه:

در این مقاله ، سعی برآن است که یک بررسی بر روی حجم زیادی از ادبیاتی که با رهیافت یادگیری ماشین بر بازیها در ارتباط است انجام شود .هدف اصلی از این مقاله ارائه توانایی به خوانندگان مشتاق است تا خیلی سریع به نتایج گذشته که در ارتباط با تحقیق یا پروژه آن هاست دست یابند تا تحقیق خود را از آن جا شروع کنند.تعداد راه های زیادی برای دسته بندی مطالب در این مقاله وجود دارد . ما می توانستیم به طور مثال دسته بندی براساس بازی های مختلف انجام دهیم مانند: شطرنج ، تخته نرد، Go، chekers ، shogi ، poker و ... و یا اینکه دسته بندی را براساس روش ها و تکنیک های یادگیری انجام دهیم . به جای آنها تصمیم گرفته شد که رهیافتی بر پایه مسئله در نظر گرفته شود و دسته بندی را براساس رقابت هایی که در جنبه های مختلف بازی ها انجام شده اند انجام دهیم . با توجه به این معتقدیم که هم محقق در بازی های کامپیوتری می تواند تکنیک های یادگیری ماشین را برای حل مسئله خود پیدا کند و هم محقق در یادگیری ماشین می تواند موضوعات مفید در دامنه تحقیق در بازی های کامپیوتری را داشته باشد.

مقاله پس از نگاهی گذرا بر تاریخچه تحقیق بر روی تکنیک‌های یادگیری ماشین در بازیها با طرح book Learning به عنوان مثال تکنیک هایی که در ذخیره پیش محاسبات حرکات انجام می شود که به نام دستیابی سریع در بازی های تورنمنت هم خوانده می شود آغاز می گردد. سپس مسئله استفاده از تکنیک های یادگیری برای کنترل کردن فرآیند جستجو که در همه برنامه های بازی وجود دارد مورد بررسی قرار می گیرد.

در قسمت چهارم به بررسی بیشترین و معروف ترین وظیفه یادگیری که به نام تنظیم خودکار یک تابع ارزیابی است می پردازیم . مسئله یادگیری با ناظر ، یادگیری مقایسه‌ای ، یادگیری تقویتی ، یادگیریTemporal Difference نیز بررسی می گردند. در یک زیر بخش مجزا در مورد موضاعات مهم و متفاوت بر این رهیافت ها بحث می شود . سپس در بخش پنجم به بررسی راه حل های مختلفی که در شناسائی طرح ها و الگو ها پرداخته می شود از simple – advice taking رهیافت مدل سازی هوشمند گرفته تا استقراء الگوها و استراتژی ها از یک پایگاه داده بازی . در پایان در قسمت ششم مدل سازی حریف به طور مختصر بحث شده و وظیفه بهبود برنامه بازی توسط یادگیری برای استفاده از ضعف حریف مورد بررسی قرار می گیرد.

کلمات کلیدی:

یادگیری ماشین

رهیافت یادگیری ماشین بر بازیها

یادگیری ماشین در بازی مقابل انسان

تکنیک های یادگیری ماشین برای حل مسئله

فهرست مطالب

1- بازی ماشین در مقابل انسان :

2- میراث ساموئل :

3- یادگیری کتابی:

3-1- یادگیری برای انتخاب تغییرات باز:

3-2- یادگیری از روی اشتباهات :

3-3- یادگیری به وسیله شبیه سازی :

4- یادگیری کنترل جستجو:

5- تنظیم تابع ارزیابی:

5-1- یادگیری با ناظر:

5-2- آموزش مقایسه ای :

6- یادگیری تقویتی :

6-1- Temporal-difference learning :

6-2- یادگیری تابع ارزیابی :

6-2-1- توابع ارزیابی خطی در مقابل توابع ارزیابی غیرخطی :

6-2-2- استراتژی‌های آموزش :

6-2-3- یادگیری توابع ارزیابی و جستجو :

6-2-4- استخراج خصایص :

7- الگوهای یادگیری و تصمیم :

7-1- Advice-taking :

8- مدلسازی حریف :

1- بازی ماشین در مقابل انسان :

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

          س 
            بازدید : 169
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

فرآیند یادگیری موجودات زنده یكی از موضوعات تحقیقاتی جدید بشمار می‌آید این تحقیقات به دو دسته كلی تقسیم می‌شوند دسته نخست به شناخت اصول یادگیری موجودات زنده و مراحل آن می‌پردازند و دسته دوم بدنبال ارائه یك متدولوژی برای قرار دادن این اصول در یك ماشین می‌باشند

آتاماتای یادگیر
یادگیری ماشین
یادگیری تقویتی
سیستمهای یادگیر
اتوماتای یادگیر تصادفی
الگوریتمهای یادگیر
اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر
دانلود پروژه نرم افزار
دانلود پروژه کامپیوتر

دسته بندی	دکترا
فرمت فایل	doc
حجم فایل	151 کیلو بایت
تعداد صفحات فایل	36

دانلود پروژه مطالعاتی درس یادگیری ماشین رشته مهندسی نرم افزار

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

مقدمه

فرآیند یادگیری موجودات زنده یكی از موضوعات تحقیقاتی جدید بشمار می‌آید. این تحقیقات به دو دسته كلی تقسیم می‌شوند. دسته نخست به شناخت اصول یادگیری موجودات زنده و مراحل آن می‌پردازند و دسته دوم بدنبال ارائه یك متدولوژی برای قرار دادن این اصول در یك ماشین می‌باشند. یادگیری بصورت تغییرات ایجادشده در كارایی یك سیستم بر اساس تجربه‌های گذشته تعریف می‌شود. یك ویژگی مهم سیستمهای یادگیر، توانایی بهبود كارایی خود با گذشت زمان است. به بیان ریاضی می‌توان اینطور عنوان كرد كه هدف یك سیستم یادگیر بهینه‌سازی وظیفه‌ای است كه كاملا شناخته شده نیست. بنابراین یك رویكرد به این مساله، كاهش اهداف سیستم یادگیر به یك مساله بهینه‌سازی است كه بر روی مجموعه‌ای از پارامترها تعریف می‌شود و هدف آن پیدا كردن مجموعه پارامترهای بهینه می‌باشد.

در بسیاری از مسائل مطرح شده، اطلاعی از پاسخهای صحیح مساله ( كه یادگیری با نظارت به آنها نیاز دارد) در دست نیست. بهمین علت استفاده از یك روش یادگیری بنام یادگیری تقویتی مورد توجه قرار گرفته است. یادگیری تقویتی نه زیر مجموعه شبكه‌های عصبی است و نه انتخابی بجای آنها محسوب می‌شود. بلكه رویكردی متعامد برای حل مسائل متفاوت و مشكلتر بشمار می‌رود. یادگیری تقویتی، از تركیب برنامه‌نویسی پویا و یادگیری نظارتی برای دستیابی به یك سیستم قدرتمند یادگیری ماشین استفاده می‌كند. در یادگیری تقویتی هدفی برای عامل یادگیر مشخص می‌شود تا به آن دست یابد. آنگاه عامل مذكور یاد می‌گیرد كه چگونه با آزمایشهای صحیح و خطا با محیط خود، به هدف تعیین شده برسد.

در یادگیری تقویتی یك عامل یادگیرنده در طی یادگیری با فعل و انفعالات مكرر با محیط، به یك سیاست كنترل بهینه می‌رسد. كارایی این فعل و انفعالات با محیط بوسیله بیشینه‌(كمینه) بودن پاداش (جریمه) عددی كه از محیط گرفته می‌شود، ارزیابی می‌گردد. علاوه بر این در روش‌های یادگیری تقویتی، اولا استفاده از یادگیری روش ساده، سیستماتیك و واقعی برای رسیدن به یك جواب تقریبا بهینه را بیان می‌كند.(پیدا كردن این جواب بهینه با استفاده از روشهای سنتی بسیار مشكل است.) ثانیا، دانشی كه در طی فرایند یادگیری بدست می‌آید، در یك مكانیزم نمایش دانش مانند شبكه عصبی یا جدول مراجعه ذخیره می‌شود كه از طریق آن می‌توان با محاسبات اندك و با كارایی بالایی عمل تخصیص كانال را انجام داد. ثالثا، از آنجاییكه این روش یادگیری در محیطی بلادرنگ در حال انجام است، می‌توان آنرا همزمان با فعالیت محیط (مانند شبكه سلولی) انجام داد. كه در این حالت با تمام رخدادهای پیش‌بینی نشده بصورت یك تجربه جدید برخورد می‌شود كه می‌توان از آنها برای بهبود كیفیت یادگیری استفاده كرد.

مزیت اصلی یادگیری تقویتی نسبت به سایر روشهای یادگیری عدم نیاز به هیچگونه اطلاعاتی از محیط (بجز سیگنال تقویتی) است. یكی از روشهای یادگیری تقویتی، اتوماتای یادگیر تصادفی است. اتوماتای تصادفی بدون هیچگونه اطلاعاتی درباره اقدام بهینه (یعنی با در نظر گرفتن احتمال یكسان برای تمامی اقدامهای خود در آغاز كار) سعی در یافتن پاسخ مساله دارد. یك اقدام اتوماتا بصورت تصادفی انتخاب می‌شود، در محیط اِعمال می‌گردد. سپس پاسخ محیط دریافت شده و احتمال اقدامها بر طبق الگوریتم یادگیری بِروز می‌شوند و روال فوق تكرار می‌گردد. اتوماتای تصادفی كه بصورت فوق در جهت افزایش كارایی خود عمل كند، یك اتوماتای یادگیر تصادفی گفته می‌شود. در ادامه این مقاله به معرفی اتوماتای یادگیر تصادفی پرداخته می شود.

کلمات کلیدی:

آتاماتای یادگیر

یادگیری ماشین

یادگیری تقویتی

سیستمهای یادگیر

فهرست مطالب

1.مقدمه3

1.1.تاریخچه اتوماتای یادگیر5

2.اتوماتای یادگیر6

2.1.اتوماتای تصادفی7

2.2.محیط8

2.3.معیار‌های رفتار اتوماتای یادگیر10

2.4.الگوریتمهای یادگیر12

2.4.1.الگوریتمهای یادگیر استاندارد12

2.4.2.الگوریتمهای یادگیری مدل-S14

2.5.اتوماتای یادگیر با اقدامهای متغیر16

2.6.اتوماتای یادگیر توزیع شده17

3.اتوماتای یادگیر واكنشی18

3.1.اتوماتای یادگیر واكنشی توزیع شده20

4.کوتاهترین مسیر در گراف های تصادفی با اتوماتای یادگیر توزیع شده21

5.حل مساله فروشنده دوره‌گرد احتمالی با اتوماتای یادگیر توزیع شده24

5.1.تابع هدف مساله فروشنده دوره‌گرد احتمالی24

5.2.الگوریتم پیشنهادی[4]27

6.مراجع36

الگوریتم و برنامه نویسی ژنتیك

          س 
            بازدید : 106
          شنبه 24 مهر 1395
           نظرات (0)
        

الگوریتم و برنامه نویسی ژنتیك

مسائل زیادی در هوش مصنوعی و یادگیری ماشین نیاز به برنامه های کامپیوتری دارند که خروجی های دلخواه را با توجه به ورودی های خاص ایجاد نمایند

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	227 کیلو بایت
تعداد صفحات فایل	32

الگوریتم و برنامه نویسی ژنتیك

چکیده :

مسائل زیادی در هوش مصنوعی و یادگیری ماشین نیاز به برنامه های کامپیوتری دارند که خروجی های دلخواه را با توجه به ورودی های خاص ایجاد نمایند. هنگامی که با این دید به مسئله نگاه می شود این مسائل با جستجوی فضای ممکن برنامه های کامپیوتری جهت یافتن مناسبترین برنامه برابر میشود. مبحث "برنامه نویسی ژنتیک" راهی جهت یافتن مناسبترین برنامه مهیا می کند. در این روش جمعیتی از برنامه های کامپیوتری با استفاده از اصول داروین مبتنی بر بقای مناسبترین به تولید مثل می پردازند.در این مقاله فرایند حل مسائل به کمک این روش با به تصویر کشیدن مثال هائی در زمینه های گوناگون به تصویر کشیده شده است. مثال ها در زمینه یادگیری ماشین یک تابع ،دنباله های استقرائی،فرمهای مفهومی و… آورده شده اند.

کلمات کلیدی:

یادگیری ماشین

برنامه نویسی ژنتیك

الگوریتم های ژنتیک عمومی

1 . تاریخچه :

با الهام گرفتن از نظریه انتخاب طبیعی داروین که مبتنی برعمل تولید مثل موجودات واصل"بقای مناسبترین" که گونه های زیست شناختی را قادر می سازد با شرایط محیطی خود را وفق دهند می باشد پروفسور جان هالند از دانشگاه میشیگان " ا لگوریتم های ژنتیک " را برای رشته های دودوئی با طول ثا بت را پایه گذاری کرد. ( " وفق پذیری در طبیعت و سیستمهای مصنوعی 1975 " ) در این مقاله "هالند" نشان داد مسائل زیادی در سیستمهای وفقی این قابلیت را دارند که به صورت وا ژه های ژنتیک بیان شوند و توسط الگوریتم های ژنتیک که روند تکاملی داروین را شبیه سازی می کنند به صورت موازی حل شوند. کار در این زمینه توسط افراد مختلفی دنبال شد تا ا ینکه " جان کوزا " در سال 1992 مفهوم " برنامه نویسی ژنتیک " را معرفی کرد که در این روش عناصر برنامه جایگزین رشته های دودوئی میشوند.

فهرست مطالب

چکیده مطالب :5

1 . تاریخچه :6

2. الگوریتم های ژنتیک عمومی6

3. زبان برنامه نویسی لسیپ 6

4. بیان جزئیات برنامه نویسی ژنتیک9

4-1. ساختارهایی که عمل وفق پذیری را انجام می دهند9

4-1-1 . شرط بسته بودن11

4-1-2 . شرط کافی بودن11

4-2. ساختارهای اولیه11

4-3 . تناسب12

4-4. عملیاتی جهت تغییر ساختارها13

4-4-1. عمل خود تولید13

4-4-2. عمل تولید مثل13

4-5. انتخاب پاسخ15

4-6 . شرط خاتمه15

4-7. پارامترهای کنترل15

5. مالتی پلکسر-11 بولی16

6. دنباله های استقرائی21

7. فرمهای مفهومی22

8. سایر عملگرها22

8-1. عملگر جهش ژنتیکی22

8-2. عملگر جایگشت22

8-3. عملگر ویراستار23

8-4. عملگر تعریف تابع23

9. مسئله فروشنده دوره گرد24

1.9. تاریخچه24

2.9. کاربرد های مسئله فروشنده دوره گرد24

3.9. کاربرد برنامه نویسی ژنتیک در مسئله فروشنده دوره گرد25

1.3.9. انتخاب نسل اولیه25

2.3.9. انتخاب تابع تناسب25

3.3.9. تولید نسلهای بعدی25

4.3.9. تكامل همزمان و نسل كشی25

4.9. ساختارهای مورد استفاده و سایر روشها32

10. نتیجه گیری32

مراجع33