نوع فایل: word
قابل ویرایش 137 صفحه
مقدمه:
یادگیری با نظارت موفقیتی در کاربردهای جهان امروزی بوده که تقریباً در هر حوزه ای شامل حوزه های متنی و شبکه ای استفاده می شود. یادگیری با نظارت همچنین به یادگیری طبقه بندی شده یا استقرایی در یادگیری ماشینی گفته می شود. این نوع از یادگیری شبیه یادگیری انسان از حوادث گذشته برای کسب دانش جدید به منظور بهبود توانایی، برای انجام وظایف است. به هر حال، از آنجایی که کامپیوترها تجربه ای ندارند یادگیری ماشینی از داده ای که در گذشته جمع شده، یادمی دهد و تجربه های گذشته را در مورد کاربردهای جهان واقعی نشان می دهد.
چندین نوع از وظایف یادگیری با نظارت وجود دارد که در اینجا روی نوع خاصی یعنی یادگیری یک عمل هدفمند که بتواند برای پیش بینی مقادیر یک صفت استفاده شود متمرکزمی شویم. در این مقاله شماری از تکنیکهای یادگیری با نظارت را معرفی می کنیم، این تکنیک ها تقریباً در هر وسیله ی کاربردی ارتباطی استفاده می شوند.
فهرست مطالب:
فصل اول
1-1- مقدمه
1-2- مفاهیم اساسی
فصل دوم
2-1- مقدمه
2-2- اجزای تشکیل دهنده فرایند خوشه بندی
2-3- تکنیکهای خوشه بندی
2-3-1- الگوریتمهای افراز
2-3-1-1- الگوریتم خوشه بندی به روش افراز
2-3-2- الگوریتمهای سلسه مراتبی
2-3-2-1- تجمعی پایین به بالا
2-3-2-2- تجمعی بالا به پایین
2-4- الگوریتم خوشه بندی برای مجموعه داده های بزرگ
2-5- خوشه بندی با استفاده از گرافها
2-6- بررسی درخت تصمیم گیری
2-6-1- الگوریتم یادگیری
2-6-2- تابع impurity
2-6-2-1- سود اطلاعات
2-6-2-2- نسبت سود اطلاعات
2-6-3- هزینه ی صفات پیوسته
2-6-4- دیگر عقاید
2-6-4-1- هزینه ی مقادیر صفات از دست داده شده
2-6-4-2- هزینه ی توزیع کلاس skewed
2-7- استقراء قانون
2-7-1- پوشش ترتیبی
2-7-1-1- الگوریتم اول(Ordered Rule)
2-7-1-2- الگوریتم دوم(Ordered Class)
2-7-1-3- استفاده کردن از قوانین برای طبقه بندی
2-7-2- یادگیری قانون:تابع Learn-One-Rule
2-7-2-1- 1 Learn-One-Rule-
2-7-2-2- 2 Learn-One-Rule-
2-7-2-3- تابع grow Rule()
2-7-2-4- تابعPurne Rule()
2-7-3- نتیجه گیری
2-8- طبقه بندی مبتنی بر انجمنی
2-8-1- طبقه بندی کردن با استفاده از قوانین انجمنی کلاس
2-8-1-1- جستجوی قوانین انجمنی کلاس برای طبقه بندی کننده
2-8-1-1-1- قوانین هرس کردن
2-8-1-1-2- پشتیبانهای کلاس مینیمم چندگانه
2-8-1-1-3- انتخاب پارامترها
2-8-1-1-4- شکل داده ها
2-8-1-2- ساختمان طبقه بندی کننده
2-8-1-2-1- استفاده کردن از قوی ترین قانون
2-8-1-2-2- انتخاب کردن زیرمجموعه ای از قوانین برای ساختن طبقه بندی کننده
2-8-1-2-3- ترکیب چندین قانون
2-8-2- قوانین انجمنی کلاس بعنوان خصوصیات
2-8-3- طبقه بندی با استفاده از قوانین انجمنی نرمال
2-9- طبقه بندی Naïve Bayesian
2-9-1- فرض استقلال شرط
2-10- طبقه بندی متنی Naïve Bayesian
2-10-1- چارچوب احتمالی
2-10-2- مدل Bayesian Naïve
2-10-2-1- تخمین پارامترها
2-10-2-2- طبقه بندی
2-10-3- نتیجه گیری
2-11- الگوریتم نزدیکترین همسایه
2-12- انتخاب خصوصیت
2-13- دسترسی عددی
2-14- یادگیری روابط
فصل سوم
3-1- تکنیکهای ارزیابی
3-2- ارزیابی طبقه بندی کننده
3-2-1- روش های ارزیابی
3-2-2- نمونه های تصادفی چندگانه
3-2-3- دقت، فراخوانی، F-score و نقطه ی سراسری
فصل چهارم
4-1- نتیجه گیری
واژگان
مراجع
منابع و مأخذ:
- D.J.newman, S.Hettich, C.L.Blank, and C.J.Merz. UCI Repository of Machine Learning Database, Department of Information and Computer Science, University of California, Irvine, CA; 1998, http://www.ics.uci.edu/mlearn/MLRepository.html.
- S.Hettich and S. D. Bay. The UCI KDD Archive, Department of Information and Computer Scince. University of California, Irvine, CA; 1999, http:/kdd. ics. uci. edu.
- David W. Aha, Dennis F.kibler, and Marc K. Albert, Instance-based learning algorithm, Mach. Learn., 1991.
- J. Ross Quinlan of decision trees, Mach. Learn., 1989.
- U. M. Fayyad and K. B. Irani, Multi-interval discretisation of continuous-valued attributes for classification learning, in Proceedings of 13 th Internatinal Joint Conferece on Artificial Intelligence, Morgan Kaufmann, San Francisco, CA, 1993.
- Mark Craven, dan DiPasuo, Dayne Freitag, Andrew McCallum, Tom M. Mitchell, Kamal nigam, and Sean Slattery, Learning to construct Knowledge bases from the World Wide Web. Artif, Intell., 2000, http://www. cs. cmu. edu/webkb/ .
پروژه بررسی الگوریتم های یادگیری با نظارت. doc