1 / 6

تمرین پنجم

بسم الله الرحمن الرحیم. تمرین پنجم. کلاس یادگیری ماشین. محمدعلی کیوان راد. ترم اول 93-92. تمرین 5. در این تمرین قصد داریم تا در یکی از مسابقات هوش مصنوعی در سایت kaggle شرکت نماییم. مسابقه مورد نظر: تشخیص ارقام دستنویس آدرس : http :// www.kaggle.com/c/digit-recognizer

syshe
Download Presentation

تمرین پنجم

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. بسم الله الرحمن الرحیم تمرین پنجم کلاس یادگیری ماشین محمدعلی کیوان راد ترم اول 93-92

  2. تمرین 5 • در این تمرین قصد داریم تا در یکی از مسابقات هوش مصنوعی در سایت kaggle شرکت نماییم. • مسابقه مورد نظر: تشخیص ارقام دستنویس • آدرس : http://www.kaggle.com/c/digit-recognizer • هدف: نتیجه باید بهتر از نیمی از تیم های شرکت کننده باشد. • جایزه: نمره اضافه برای نفر اول از افراد کلاس • در ابتدای کار بخشی از داده ها را به عنوان تست جدا کرده و نتایج خود را بر روی این داده بیان کنید. • در صورتی که زمان آموزش با همه داده ها زمان زیادی لازم داشت می توانید از بخشی از این داده ها (حداقل شامل 5000 نمونه) برای آموزش استفاده کرده و فقط در مرحله آخر بهترین ساختار شبکه را با همه داده آموزش داده و نتیجه آن را در سایت kaggle ارسال نمایید.

  3. تمرین 5 • تعدادی از تصاویر مربوط به این دادگان را مشابه تصویر زیر رسم نمایید.

  4. تمرین 5 • یک شبکه عصبی با دو لایه محاسباتی (یک لایه مخفی) را در نظر بگیرید. تعداد گره های لایه میانی را مقادیر مختلفی قرار دهید. دقت شبکه و زمان آموزش را به صورت نموداری از تعداد گره ها رسم کنید و نمودار را تحلیل نمایید. • در صورتی که ابعاد تصویر ورودی زیاد است، می توانید به کمک دستور imresize ابعاد را کم کنید. • تعداد لایه های میانی شبکه را افزایش دهید(تعداد گره های هر لایه را ثابت در نظر بگیرید). تاثیر افزایش تعداد لایه ها را بررسی کنید. • early stoppingدر شبکه عصبی چیست؟ تعداد گره های لایه میانی یک شبکه عصبی دو لایه را به مقدار دلخواه در نظر بگیرید و سپس تاثیر پارامتر max_fail مربوط به روش early stopping را بررسی کنید. همچنین یک بار این روش را غیر فعال کرده و شبکه را آموزش دهید. تحلیل خود را از آزمایش های انجام شده ارائه دهید.

  5. تمرین 5 • الگوریتم مورد استفاده برای آموزش شبکه عصبی را traingd در نظر گرفته و سپس تاثیر ممنتم و نرخ یادگیری را در دقت شبکه مورد بررسی قرار دهید. • الگوریتمهای trainscg(scaled conjugate gradient)، trainoss(one step scant)، traingd(gradient descend) و trainlm(levenberg-marquardt) را برای حل مسئله این تمرین مورد استفاده قرار داده و کارایی آن ها را با یکدیگر مقایسه نمایید. • باتوجهبه آزمایش های انجام شده و حتی تغییرات دیگری که خودتان در شبکه بوجود می آورید، معماری یک شبکه عصبی مناسب برای حل مسئله ارائه دهید.

  6. تمرین 5 • در انتها نیز باید دقت داده های تست موجود در سایت Kaggle را بیان نمایید. برای این کار باید دو تصویر زیر را در گزارش قرار دهید.

More Related