170 likes | 385 Views
مفهوم یادگیری و مرتب سازی فضای فرضیه ها. مدرس : علی فروتن راد گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی زنجان & Mitchell Ch. 2. با تشکر از دکتر سعید شیری و دکتر فریبز محمودی گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه صنعتی امیرکبیر و دانشگاه آزاد قزوین.
E N D
مفهوم یادگیری و مرتب سازی فضای فرضیه ها مدرس: علی فروتن راد گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی زنجان & Mitchell Ch. 2 با تشکر از دکتر سعید شیری و دکتر فریبز محمودی گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه صنعتی امیرکبیر و دانشگاه آزاد قزوین
یادگیری استقرایی یک شیوه یادگیری با ناظر است. • یادگیری یک مفهوم کلی از روی چند مثال (جزء). • به عبارت دیگر یادگیری تعمیم جزء به کل است. • در این فصل هدف محدود کردن فضای عمومی فرضیه ها از یک حالت عمومی به یک فضای معین است که نهایتا بتوان فرضیه سازگار با مثالها را یافت. مرتب سازی فضای فرضیه ها
ایجاد و یا تنظیم تابع hبه نحوی که روی مجموعه آموزشی با f تطابق داشته باشد. • تابع hیک تابع سازگار(consistent)خواهد بود اگر با f روی تمام مثالها تطابق داشته باشد. • مشابه روش برازاندن منحنى (Curve fitting) روش یادگیری استقرایی
ایجاد و یا تنظیم تابع hبه نحوی که روی مجموعه آموزشی با f تطابق داشته باشد. • تابع hیک تابع سازگار(consistent)خواهد بود اگر با f روی تمام مثالها تطابق داشته باشد. • مشابه روش برازاندن منحنى (Curve fitting) روش یادگیری استقرایی
ایجاد و یا تنظیم تابع hبه نحوی که روی مجموعه آموزشی با f تطابق داشته باشد. • تابع hیک تابع سازگار(consistent)خواهد بود اگر با f روی تمام مثالها تطابق داشته باشد. • مشابه روش برازاندن منحنى (Curve fitting) روش یادگیری استقرایی
ایجاد و یا تنظیم تابع hبه نحوی که روی مجموعه آموزشی با f تطابق داشته باشد. • تابع hیک تابع سازگار(consistent)خواهد بود اگر با f روی تمام مثالها تطابق داشته باشد. • مشابه روش برازاندن منحنى (Curve fitting) روش یادگیری استقرایی
ایجاد و یا تنظیم تابع hبه نحوی که روی مجموعه آموزشی با f تطابق داشته باشد. • تابع hیک تابع سازگار(consistent)خواهد بود اگر با f روی تمام مثالها تطابق داشته باشد. • مشابه روش برازاندن منحنى (curve fitting) روش یادگیری استقرایی
ایجاد و یا تنظیم تابع hبه نحوی که روی مجموعه آموزشی با f تطابق داشته باشد. • تابع hیک تابع سازگار(consistent)خواهد بود اگر با f روی تمام مثالها تطابق داشته باشد. • مشابه روش برازاندن منحنى (curve fitting) • اصل Ockham: سادهترین فرضیه سازگار مورد ترجیح است. روش یادگیری استقرایی
هدف یادگیری مفهوم زیر از روی مثالها می باشد. • ” دوست من در چه روزهایی از ورزش آبی لذت می برد؟ ” • یک فرضیه از فضای فرضیه ها را با یک بردار 6 عضوی نشان می دهیم. • ? یعنی هر مقدار قابل قبول است. • Ø یعنی هیچ مقداری قابل قبول نیست. • در غیراین صورت یک مقدار معین برای صفت معین می شود. • یک فرضیه نمونه: < ?, Cold, High, ?, ?, ? > مثالی از مفهوم یادگیری
یک روش مرتب سازی فضای فرضیه هاست. • مزیت این روش ارائه یک فرضیه سازگار(consistent) روی تمامی مثالهای آموزشی است. • تعریف فضای نسخه Version Space: این فضا که با VSH,D نمایش داده میشود زیر مجموعهای از فضای فرضیههای H را معین میکند که با همه مثالهای مجموعه D سازگار است. • در حقیقت الگوریتم از هر دو سمت عمومیترین و معینترین فرضیهها به سمت یافتن فضای نسخه حرکت میکند. الگوریتم CANDIDATE-ELIMINATION
الگوریتم CANDIDATE-ELIMINATION فضای نسخه VSH,D محدود شده بین S4 و G4