آموزش دانش هوش مصنوعی
توضیحات
با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرایندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرایندها در کاربردهای مختلف، به کار گرفت.
بخش نخست ، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
§ درس یکم: کلیات و مفاهیم پایه در یادگیری ماشین
· تعاریف، ضرورت ها و دامنه کاربرد
· یادگیری تحت نظارت (Supervised Learning)
· یادگیری بدون نظارت (Unsupervised Learning)
· بیان مفهومی تکنیک های پایه در یادگیری ماشین
o رده بندی (Classification)
o خوشه بندی (Clustering)
§ درس دوم: مرور روش های کلاسیک در یادگیری ماشین
· یادگیری مفهوم (Concept Learning)
· یادگیری مبتنی بر نمونه ها (Instance-based Learning)
· یادگیری مبتنی بر قواعد (Rule-based Learning)
· یادگیری مبتنی بر نظریه احتمال (Bayesian Learning)
· درخت تصمیم (Decision Tree)
o تکنیک های انتخاب ویژگی
o الگوریتم ID3
o الگوریتم C4.5
· معرفی کلی روش های یادگیری مبتنی بر حسابگری زیستی
o الگوریتم ژنتیک (Genetic Algorithms)
o شبکه های عصبی مصنوعی (Artificial Neural Networks)
· ترکیب رده بندی کننده ها (Combining Classifiers)
o روش Ensemble Averaging
o روش Bagging
o روش Boosting
o روش AdaBoost
o روش های دینامیک: Mixtures of Experts
· خوشه بندی (Clustering)
o تکنیک های محاسبه فاصله بین انواع ویژگی ها
o روش خوشه بندی K – Means
o روش خوشه بندی K – Medoids
o روش های خوشه بندی سلسله مراتبی (Hierarchical)
o شاخص های ارزیابی فرایند خوشه بندی
· ارزیابی فرضیه ها (Hypotheses Evaluation)
§ درس سوم: یادگیری تقویتی – Reinforcement Learning
· معرفی مفاهیم پایه:
o عامل (Agent)
o کنش (Action)
o محیط (Environment)
o پاداش و تنبیه
o سیاست (Policy)
o جستجو (Exploration)
o بهره برداری از تجربه (Exploitation)
· روش های انتخاب کنش
o روش Softmax
o روش Reinforcement Comparison
o روش های Pursuit
· مساله یادگیری تقویتی
o ویژگی مارکوف (Markov property)
o فرایند تصمیم مارکوف (Markov Decision Process)
o معادلات Bellman
· روش برنامه ریزی پویا (Dynamic Programming)
o ارزیابی سیاست (Policy Evaluation)
o بهبود سیاست (Policy Improvement)
· روش های یادگیری Monte Carlo
o روش On – policy
o روش Off – policy
· روش های یادگیری تفاوت زمانی (Temporal Difference)
o روش SARSA
o روش Q-Learning
o روش های Eligibility Traces
· کاربرد روش های یادگیری تقویتی در محیط های مشاهده پذیر جزیی مارکوف Partially Observable Markov Decision Processes – POMDP
· روش های یادگیری تعاملی
o روش یادگیری تعاملی Q – Learning
o روش یادگیری مبتنی بر خبرگی
· نمونه هایی از کاربردهای یادگیری تقویتی در حل مسائل در دنیای واقعی
o تهیه مدل مارکوف برای مساله مسیریابی ایمیل های ارسالی در شبکه ای از سرورها
o طراحی خزش گر کانونی برای جمع آوری اطلاعات وب بر اساس روش یادگیری تقویتی
o طراحی روش های رتبه بندی مبتنی بر یادگیری در جویشگرهای وب
· معرفی MDP Toolbox برای پیاده سازی روش های یادگیری تقویتی در محیط MATLAB
مفید برای رشته های
§ مهندسی کامپیوتر
§ علوم کامپیوتر
§ مهندسی فناوری اطلاعات (IT)
در ادامه لیست کتب انگلیسی منتشر شده در این زمینه معرفی شده اند:
معرفی کتب انگلیسی | |||
عنوان | نویسندگان | سال انتشار | |
Machine Learning | Tom Mitchell | ۱۹۹۷ | |
Foundations of Machine Learning | Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar | ۲۰۱۲ | |
Reinforcement Learning: An Introduction | Richard S. Sutton and Andrew G. Barto | ۱۹۹۸, ۲۰۱۶ | |
Algorithms for Reinforcement Learning | Csaba Szepesvari | ۲۰۱۰ | |
Reinforcement Learning: State-of-the-Art | MarcoWiering and Martijn van Otterlo (Eds.) | ۲۰۱۲ | |
حجم فایل: 1.20 جی بی
یک نظر اضافه کنید