اصول آموزش ماشین از دانشگاه کالیفرنیا
آیا می خواهید پردازش داده ها را در قاعده های بزرگ
بیاموزید؟
آیا نیاز
به استفاده از مدل های پیش پوز دارید لیک با شیوه استفاده از نرم افزارهای مناسب و جدید روز در این زمینه آشنا نیستید؟
این دوره شما را با کاربا نرم افزار های جدید و پیشرفته باب زمینه آموزش ماشین مانند KNIME و SPARK آشنا باده نماید و باقدرت به شرح و بکارگیری تکنیک های سنبله اسیر و الگوریتم های طبقه بندی جدید خواهید بود .
مدرسان این دوره
دکتری کامپیوتر و مدیر مرکز پیشبینی و افراز و تحلیل ابرکامپیوتر ها از دانشگاه کالیفرنیا: Natasha Balac
دکتری مدلسازی با کامپیوتراز دانشگاه کالیفرنیا : Paul Rodriguez
عناوین این بخش:
درس اول: یادگیری ابزار و داده های بزرگ
آموزش دوم: داده کاوه در آموزش ماشین
درس سوم: آغاز به پیشه با KNIME
آموزش چهارم : کار با داده های نمونه
یک اتوماتای یادگیر را میتوان بصورت یک شئ مجرد که دارای تعداد متناهی عمل است، در نظر گرفت. اتوماتای یادگیر با انتخاب یک عمل از مجموعه عمل¬های خویش و اِعمال آن بر محیط، عمل میکند. عمل مذکور توسط یک محیط تصادفی ارزیابی میشود و اتوماتا از پاسخ محیط برای انتخاب ادا بعدی خود استفاده میکند. در طی این فرایند اتوماتا یاد میگیرد که ادا بهینه را تعیین نماید. نحوه استعمال از پاسخ محیط به سمت عمل انتخابی اتوماتا که در جهت انتخاب عمل بعدی اتوماتا استفاده میشود، توسط الگوریتم یادگیری اتوماتا مشخص میگردد. یک اتوماتای یادگیر از دو قسمت اصلی تشکیل شده است:
1- یک اتوماتای تصادفی حرف اندازه محدودی عمل و یک محیط تصادفی که اتوماتا با آن در ارتباط است.
2- الگوریتم یادگیری که اتوماتا با استفاده از آن ادا بهینه را یاد میگیرد.
فهرست :
تعریف یادگیری
تاریخچه اتوماتای یادگیر
تقسیم اسیر اتوماتاها
محیط Enviroment
رابطه بین اتوماتای یادگیر و محیط
الگو های محیط
معیارهای رفتار اتوماتای یادگیر
الگوریتم یادگیری
اشکال اتوماتاهای یادگیر
انواع اتوماتاهای یادگیر با ساختار استوار
اتوماتای یادگیر با ساختار اسم
ویژگیهای اتوماتاهای یادگیر
محدودیت ها اتوماتاهای یادگیر
اتوماتای یادگیر توزیع شده