ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

دانلود پایان نامه

عنوان پایان نامه :

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

یک صفحه از متن پایان نامه فقط برای نمونه :

چکيده

 

 

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

 

 

 

امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.

روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.

استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سريال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.

در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سريال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

جستجوی الگوهای نوظهور با ویژگی های جریانی-دانلود پایان نامه ارشد کامپیوتر

دانلود پایان نامه

عنوان پایان نامه :

 جستجوی الگوهای نوظهور با ویژگی های جریانی

یک صفحه از متن پایان نامه فقط برای نمونه :

  • مقدمه

در این فصل، ما روش های پیشنهادی را با جزییات بیان می کنیم. در روش اول DFP-SEPSF، ترتیب آیتم ها در نظر گرفته نمی شود در حالیکه در روش دوم DFP-SEPSF، درخت الگوی مکرر[1] با توجه به ترتیب آیتم ها ساخته می شود. این روش ها FP-tree را بصورت دینامیک بر اساس ویژگی های جریانی[2] بصورت پایین-بالا[3] می سازند. با ویژگی های جریانی، الگوهای غیرضرور و بی ربط[4] حذف می شوند قبل از آنکه در ساختار DFP-tree قرار گیرند. این می تواند کمک کند تا فرآیند استخراج الگو بصورت کارایی هدایت کند تا الگوهای نوظهور با قدرت پیش بینی قوی استخراج کند. ما یک روش جدید از استخراج الگوهای نوظهور را ارائه می دهیم که الگوهای نوظهور با قدرت پیش بینی بالا را از کلاس های مختلف همزمان استخراج می کند. بعلاوه، روش پیشنهادی قادر است تا داده های با ابعاد بالا[5] را با اعمال محدودیت های ذکر شده در این مطالعه اداره کند. در ویژگی های جریانی، ویژگی ها بصورت دینامیک تولید می شوند و در همان زمان پردازش می شوند. همانطوری که ویژگی ها یکی یکی می رسند، FP-tree بایستی بصورت افزایشی از دیگاه دیگری که بر اساس ویژگی های جریانی است، ساخته شود. وقتی که ویژگی جدیدی می رسد، DFP-tree از طریق گره های خارجی ساخته می شود. از آنجایی که ما هر ویژگی را به محض ورودش پردازش می کنیم، هیچ نمونه ای[6] برای ایجاد FP-tree وجود ندارد. بعبارت دیگر، درخت الگوی مکرر بر پایه ویژگی ها برای ویژگی های جریانی ساخته می شود، و لذا FP-tree بر پایه نمونه ها ساخته نمی شود. در حالیکه درخت الگوی مکرر مرسوم [15، 16] از ریشه بصورت بالا-پایین[7] بوسیله نمونه ها ساخته می شود. DFP-SEPSF یک روش جدید برای ساختن FP-tree ارائه می دهد به طوری که درخت حاصل می تواند ساخته شود وقتی که ویژگی ها یکی یکی می رسند.

 

[1] FP-tree

[2] Feature streams

[3] Bottom up

[4] Irrelevant patterns

[5] High-dimensional datasets

[6] Instance

[7] Top-down

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

جستجوی الگوهای نوظهور با ویژگی های جریانی

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 جستجوی الگوهای نوظهور با ویژگی های جریانی

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

دانلود پایان نامه

عنوان پایان نامه :

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

یک صفحه از متن پایان نامه فقط برای نمونه :

چکيده

 

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.

روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.

استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سريال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.

در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سريال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

%d8%b7%d8%b1%d8%a7%d8%ad%db%8c-%d9%88-%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9%db%8c-%d9%be%d9%86%d9%84-%d9%84%d9%85%d8%b3%db%8c-%d9%85%d8%a7%d8%af%d9%88%d9%86-%d9%82 %d8%a7%d8%b1%d8%a7%d8%a6%d9%87-%db%8c%da%a9-%d9%85%d8%af%d9%84-%d8%ac%d8%af%db%8c%d8%af-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%a8%d9%87-%d9%85%d9%86%d8%b8%d9%88%d8%b1-%d8%a2%d9%85%d9%88%d8%b2

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

پایان نامه

عنوان پایان نامه :

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

یک صفحه از متن پایان نامه فقط برای نمونه :

امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.

روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.

استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سريال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.

در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سريال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.

 

واژه­های کلیدی: یادگیری ماشین، الگوریتم­های یادگیری جمعی، coarse-to-fine learning، یادگیر‌های جمعی سريال، separate-and-conquer

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد):

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال