با دانلود تحقیق در مورد نظريه يادگيري محاسباتي در خدمت شما عزیزان هستیم.این تحقیق نظريه يادگيري محاسباتي را با فرمت word و قابل ویرایش و با قیمت بسیار مناسب برای شما قرار دادیم.جهت دانلود تحقیق نظريه يادگيري محاسباتي ادامه مطالب را بخوانید.

نام فایل:تحقیق در مورد نظريه يادگيري محاسباتي

فرمت فایل:word و قابل ویرایش

تعداد صفحات فایل:26 صفحه

قسمتی از فایل:

نظريه ياد گيري محاسبه اي

در اين بخش ويزگيهاي نظري در مورد مشکلات متعدد ياد گيري ماشين حساب ارايه شده و انواع مهارت هاي متعدد الگوريتم هاي ياد گيري ماشين حساب مطرح شده است.اين نظريه در صدد يافتن پاسخي مناسب به اين سوالات است.تحت چه شرايطي ياد گيري موفقيت آميز امکان پذير است و تحت چه شرايطي غير ممکن  است.وتحت چه شرايطي الگوريتم خاص ياد گيري ,ياد گيري موفقيت آميز را تضمين ميکند.

مقدمه     1-7

هنگامي که يادگيري ماشين حساب مورد مطالعه قرار ميگيرد،اين طبيعي است که تعجب کنيد ،چه قانون کلي ميتواند بر ياد گيرنده هاي ماشين و غير ماشين  فايق آيد. آيا اين امکان وجود دارد تا دسته اي از مشکلات ياد گيري جدايي ناپذير را که شايد مشکل يا ساده باشد را بتوان جدا از الگوريتم ياد گيري شناسايي نمود.؟ آيا ميتوان تعداد مثال هاي آموزشي لازم را براي اطمينان از ياد گيري موفقيت آميز تعيين کرد؟چگونه اين تعداد تحت تاثير قرار ميگيرند ، اگر ياد گيرنده اجازه داشته باشد تا سوالاتي را يراي معلم مطرح کند ودر مقابل نمونه اختياري از مثال هاي آموزشي را مشاهده کند ؛آيا ميتوان تعداد خطا هايي را که ياد گيرنده قبل از آموختن عملکرد مورد نظر ،

انجام داده را مشخص کرد؟آيا ميتوان پيچيدگي محاسباتي جدايي ناپذير دسته اي از مشکلات ياد گيري را توصيف کرد؟

اگر چه جواب هاي کلي که به اين سوالات داده ميشود هنوز نامشخص اند  اما بخش هايي از نظريه ياد گيري محاسباتي شکل گرفت.در اين بخش نتايج قابل توجهي که از اين نظريه به دست آمده ، ارا يه ميشود و در بردارنده پاسخ سوالاتي است که در محدوده تنظيم مشکلات خاص ايجاد ميشود.ما در اين جا بر روي مسا له يادگيري استقرايي تاکيد نموديم که عملکرد مورد نظر آن مشخص نيست. فقط ميتوان الگوهاي آموزشي بر طبق اين عملکرد مورد نظر به دست آوردو فرضيه هاي انتخابي را با فاصله تعيين کرد.در طي اين تنظيم نمودن ما سوالاتي را از اين قبيل مطرح ميکنيم.چند تا از الگوهاي آموزشي براي ياد گيري موفقيت آميز عملکرد مورد نطر کافي است؟چند خطا توسط ياد گيرنده قبل از موفق شدن رخ ميدهد .طبق ان چه که ما مشاهده ميکنيم اين امکان وجود دارد تا محدوديت هاي کمي بر روي اين ارزيابي تعيين کنيم که به خصوصيات مسايل ياد گيري بستگي دارد و از اين قرار است :

• اندازه يا پيچيدگي فاصله فرضيه اي که توسط ياد گيرنده مطرح ميشود.
• دقت داشتن در مورد اين که مفهوم مورد نظر  بايد تقريبي باشد.
• اين احتمال باشد که ياد گيرنده مبتواند فر ضيه موفقي را ارايه دهد.
• روش الگوهاي يادگبري براي ياد گيرنده مطرح باشد.

در بيشتر قسمت ها ما توجه مان را به الگوريتم هاي خاصي معطوف نکرديم بلکه بيشتر در مورد طبقه بندي هاي گسترده الگوريتم هاي يادگيري است که بوسيله فاصله فرضيه ها مشخص ميشود ؛آنها را مورد توجه قرار داده و الگوهاي آموزشي معرفي ميکنيم .هدف ما پاسخگويي به اين مسايل است:

پيچيدگي نمونه :به چند تا از الگوهاي آموزشي نياز است تا ياد گيرنده به فرضيه موفقيت آميز نزديک شود (به احتمال زياد)؟

پيچيدگي محاسباتي :چه تلاش هاي محاسباتي براي ياد گيرنده لازم است تا به فرضيه موفقيت آميز نزديک شود(به احتمال زياد)؟

محدوده خطا :چه تعداد از الگوهاي آموزشي را ياد گيرنده قبل از نزديک شدن به فرضيه موفق ؛ اشتبا ها طبقه بندي کرد ؟

توجه کنيد که در اينجا يکسري طبقه بندي خاص وجود دارد که ما ميتوانيم بر طبق آن سوالاتي از اين  را پي گيري کنيم. به عنوان مثال در اينجا روشهاي مختلفي وجود دارد که مشخص ميکند چه روشي براي ياد گيرنده موفقيت آميز  است و شايد ما آن را براي موفق شدن مشخص کنيم.ياد گيرنده بايد فرضيه اي را به دست آورد که با مفهوم مورد نظر يکسان باشد.به جاي آن شايد ما فقظ به اين نياز داشته باشيم تا فرضيه اي ايجاد شود که با مفهوم مورد نظر بيشتر از زمان آن همسازي داشته باشد .يا اين که يک فرضيه معمولي به دست آورد .ما بايد تعيين کنيم  چگونه يادگيرنده به الگوهاي آموزشي دسترسي خواهد داشت؟ما ميتوانيم مشخص کنيم که الگوهاي آموزشي به کمک يک معلم مطرح ميشود.يا از طريق آزمايش هايي که ياد گيرنده انجام ميدهد؛ آنها را به دست مي آورد يا فقط آن ها را به طور تصادفي بر حسب يکسري مراحل بيروني و کنترل ياد گيرنده ايجاد کند.همان طور که پيش بيني ميشد جواب سوالات بالا به طبقه بندي خاص يا مدل آموزشي که در ذهن داريم بستگي دارد .

ادامه اين فصل به اين ترتيب مرتب شده :

بخش 2-7  درباره معرفي برنا مه ريزي احتمالي ياد گيري تقريبا صحيح است.

بخش 7-3  تحليل پيچيدگي نمونه و پيچيدگي محاسبه اي در مورد مشکلات يادگيري متعدد در چهار چوب بر نامه ريزي يادگيري تقريبا صحيح است.

بخش4 -7 معرفي اهميت ارز يابي پيچيدگي فاصله فرضيه اي است که ابعاد vc  گويند و تحليل مارا در مورد ياد گيري pac  با مشکلات موجود در فاصله فرضيه بي انتها گسترش ميدهد.

بخش5-7 معرفي مدل محدوده خطا است و محدوده اي از تعداد خطا هايي که توسط چندين الگوريتم ياد گيري ايجاد شده را ارايه ميدهد که در بخش قبلي بحث شد.نهايتا ما الگوريتم  weighted-majority را مطرح مي کنيم که يک الگوريتم قابل اجرا براي ترکيب کردن پيش بيني هاي چندين الگوريتم ياد گيري رقابت کننده است. همرا با آن محدوده خطاي نظري براي اين الگوريتم تعيين ميشود.

2-7            ياد گيري احتمالي ، فرضيه هاي تقريبا صحيح

در اين بخش ما بر نا مه ريزي خاصي را براي مساله ياد گيري مد نظر قرار داديم که آن را مدل ياد گيري احتمالي تقريبا صحيح (pac ) گويند.ما با مشخص کردن برنامه ريزي مساله اي که مدل ياد گيري  pac  را تعريف ميکند شروع ميکنيم.سپس اين سوالات را مورد توجه قرار ميدهيم.چه تعداد از الگوهاي آموزشي و چه تعداد از محاسبات لازم است ؛ با اين هدف که طبقه بندي هاي مختلف عملکرد هاي مورد نظر را در چهار چوب اين مدل pac

آموزش ميدهد.به منظور ساده سازي ؛ما بحث درباره يادگيري مفاهيم با مقدار بولي بر طبق داده هاي آموزشي بدون اختلال را محدود ميکنيم.به هر حال برخي از نتايج حاصله را ميتوان با طرح هاي کلي تر ياد گيري عملکرد هاي مورد نظر   با ارز يابي واقعي توسعه داد.(مثلا      natarajan    در سال    1991 را نگاه کنيد)و بعضي ها را ميتوان از طريق انواع مشخصي از داداه هاي ناقص توسعه داد .(مثلا بخش            

   Vazirani 1994 - kearns - 1998  laridرا بررسي کنيد)

1-2-7               دسته بندي مشکلات

همان طور که در بخش هاي قبلي بيان شد ؛x  به مجموعه اي از تمام نمونه هاي موجود در طي عملکرد هاي مورد نظر که تعريف شدند اشاره داردمثلا    x   ميتواند مجموعه اي از تمام مردم را نشان دهد که هر يک را با خصوصياتي شرح ميدهند .سن  (مثلا پير يا جوان). قد (مثلا کوتاه يا بلند).پس c  به برخي از مجموعه هاي اهداف مورد نظر اشاره دارند که ياد گيرنده ما آن را فراتر از ياد گيري ميگويد. c   هر يک از اهداف مورد نظر در c  است که با برخي از زير مجموعه هاي  x تطبيق ميکند يا  برخي از عملکرد هاي ارز يابي شده بولي يکسان است.به اين صورت بيان ميشود c:xà{0,1}        به عنوان مثال يک مفهوم مورد نظر c  درc   ميتواند اين معني را برساند.

(افرادي که اسکي باز هستند ) اگر x  يک مثال مثبت از  c باشد ، سپس ما آن را به اين صورت مينويسيم  c(x)=1  اگر مثال منفي باشد به اين صورت c(x)=0  است.

ما نمونه هايي را در نظر ميگيريم که به طور اتفاقي از طريق x  مطابق با توزيع احتمالي D  ايجاد ميشوند .   D  ميتواند  توزيعي از نمونه هاي ايجاد شده باشد .با مشاهده افرادي که در بزرگترين فروشگاه ورزشي در سوييس اعتصاب کردند.به طور کلي D  ميتواند با هر نوعي توزيع شودو به طور کلي براي ياد گيرنده ناشناخته است.در کل ما نياز داريم تا  D در حالت ثابت قرار گيرد. طوري که توزيع آن دايما بدون عوض کردن باشد.نمونه هاي آموزشي با رسم کردن مثال X به طور اتفاقي مطابق با D ايجاد ميشود. پسX  به همراه مفهوم مورد نظر آن؛    C(X)  براي ياد گيرنده ارايه ميشود.

ياد گيرندهL برخي از فرضيه هاي موجود در مجموعه H را مورد توجه قرار ميدهد و تلاش ميکند تا مفهوم مورد نظر را ياد بگيرد.مثلا  H ميتواند مجموعه اي از تمام فرضيه هايي باشد که به وسيله ارتباط خصوصياتي مثل قد و سن قابل توصيف است.     

بعد از مشاهده مجموعه اي از مثال هاي آموزشي مفهوم مورد نظرC، L  بايد يک سري از فرضيه هايh را ازH به دست آورد.طوري که C را ارزيابي ميکند.البته ما موفقيت L  را با عملکرد h از طريق نمونه هاي جديد که به طور اتفاقي از طريق X بر طبق D رسم شده را مورد بررسي قرارر ميدهيم. توزيع احتمالي آن براي ايجاد داده هاي آموزشي به کار ميرود.

در چهار چوب اين برنامه ريزي ما مشخص کرديم کارکرد ياد گيرنده هاي مختلف L  را با استفاده از فاصله هاي فرضيه اي مختلف H مورد توجه قرار داديم.در اين موقع مفاهيم مورد نظر مخصوص يادگيري بر حسب طبقه بندي هاي مختلف C رسم ميشود.زيرا ما نبازمنديم که L براي ياد گيري هر مفهوم مورد نظرC  بدون توجه به توزيع مثال هاي آموزشي به اندازه کافي کلي است.ما تحليل هاي موارد بدتر را در طي تمام اهداف مورد نظر از طريقC  و تمام  توزيع هاي نمونه D مورد توجه قرار داديم.