پاورپوینت یادگیری مبتنی بر نمونه

پاورپوینت یادگیری مبتنی بر نمونه (pptx) 41 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 41 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام خدا 1 2 یادگیری مبتنی بر نمونه 3 مقدمه در روشهائی که تاکنون بررسی کردیم، سعی بر این بود که با استفاده از مثالهای آموزشی تابعی پیدا کنیم که بتواند توصیف‌کننده داده‌ها باشد. در روش یادگیری IBL بسادگی فقط مثالها را ذخیره می‌کنیم و هرگونه تعمیم تا مشاهده مثال جدید به تعویق می‌افتد. به همین دلیل این روش گاهی روش تنبل یا lazy هم نامیده می‌شود. با مشاهده مثالهای جدید رابطه آن با نمونه‌های ذخیره شده بررسی شده و یک مقدار برای تابع هدف آن نسبت داده می‌شود. در روش IBL یک فرضیه عمومی مشخص برای داده‌ها بدست نخواهد آمد بلکه دسته‌بندی هر نمونه جدید هنگام مشاهده آن و بر اساس نزدیکترین مثالهای ذخیره شده، انجام خواهد شد. 4 Instance-based Learning Its very similar to a Desktop!! 5 یک تفاوت اساسی روش IBL برای هر نمونه جدید، تقریب جداگانه‌ای از تابع هدف را ایجاد می‌کند. این تقریب فقط به همسایگی نمونه جدید قابل اعمال بوده و هرگز نمی‌تواند بر روی فضای تمام نمونه‌ها عمل کند. کاربرد این روش هنگامی موثر است که تابع هدف خیلی پیچیده بوده ولی در عین حال قابل نمایش توسط توابع ساده‌تر محلی باشد. 6 مشخصه‌ها این روش دارای 3 مشخصه اصلی است: تابع شباهت: مشخص می‌کند که دو نمونه چقدر نزدیک به هم هستند.انتخاب این تابع می‌تواند بسیار مشکل باشد. مثلا چگونه می‌توان شباهت رنگ موی 2 نفر را بیان نمود؟ انتخاب نمونه‌ها برای ذخیره: در این الگوریتم سعی می‌شود نمونه‌هائی ذخیره شوند که عمومی‌تر باشند. تشخیص اینکه آیا یک نمونه عمومیت دارد یا خیر، می‌تواند کار مشکلی باشد. تابع دسته‌بندی‌کننده: تابعی است که بامشاهده یک مثال دسته‌بندی آنرا تعیین می‌کند. 7 مشکلات دسته‌بندی داده جدید می‌تواند بسیار پرهزینه باشد. زیرا در مرحله آموزش عملی صورت نمی‌پذیرد و تمامی محاسبات در هنگام دسته‌بندی انجام می‌گردند. از این رو برای کاهش زمان دسته‌بندی از تکنیک‌های ایندکس استفاده می‌شود. در اغلب روشهای IBL برای بازیابی مثالهای مشابه از حافظه از تمامی ویژگی‌های موجود استفاده می‌شود. بنابراین اگر تابع هدف فقط به برخی از ویژگی‌ها بستگی داشته باشد، مثالهائی که واقعا مشابه هستند ممکن است بسیار از یکدیگر دور شوند. 8 مثالی از کاربردها Image Scene Classification برای هر تصویر با استفاده از مقادیر پیکسلهای آن یک signature محاسبه شده و از آن برای مقایسه تصویر ورودی با تصاویر موجود در پایگاه داده استفاده می‌شود. 9 مثالی از کاربردها image size: 82x100 pixels each pixel is associated with 36(=(1+8)x4) features 5NN is used for prediction error rate is about 9.5% 5NN performs best among LVQ, CART, NN, … .