██ متن فصل بیستم نسخه‌ی رایگان ایبوک هوش مصنوعی ██
دانلود رایگان ایبوک هوش مصنوعی ترجمه شده به وسیله‌ی اینجانب سهراب جلوه گر جلوه‌گر

امیدوارم لحظات خوبی در این وب سایت داشته باشید .....

██ متن فصل بیستم نسخه‌ی رایگان ایبوک هوش مصنوعی ██
نویسنده : سهراب جلوه گر جلوه‌گر تاریخ : سه شنبه 11 شهريور 1394

 

 

██ متن فصل بیستم نسخه‌ی رایگان ایبوک هوش مصنوعی ██

 

مترجم: سهراب جلوه گر جلوه‌گر

 

فصل سیستم‌های طبقه‌بندی‌کننده

 

فهرست برخی از عنوان‌های نوشته‌ها

سیستم‌های طبقه‌بندی‌کننده

سیستم‌های تولید

طبقه‌بندی‌کننده‌ها

اجزای یک سیستم طبقه‌بندی‌کننده

سیستم‌های طبقه‌بندی‌کننده

 تعریف- طبقه‌بندی‌، پردازه‌ی انتساب یک ورودی‌ به یکی از کلاس‌های چندگانه می‌باشد‌.

تعریف گُلدبِرگ

 

دِیوید گُلدبِرگ       تعریف دیوید گلدبرگ از سیستم طبقه‌بندی‌کننده چنین است: یک سیستم یادگیری ماشینی است که رشته قانون‌های دستوری ساده را برای راهنمایی عملکردش یاد می‌گیرد.

سیستم‌های تولید

 تعریف- یک سیستم تولید‌، از تعداد زیادی ‌قانون؛ حافظه‌ای که در آن‌ واقعیّت‌ها قرار می‌گیرند؛ و یک الگوریتم که با استفاده از روش زنجیره‌ی پیشرو‌ اجرا می‌شود و واقعیّت‌های جدید را با استفاده از قبلی‌ها به وجود می‌آورد‌، تشکیل شده است‌.

یک قانون‌، زمانی اجرا می‌شود که مجموعه‌ای از شرایط‌، که در حافظه هستند‌، برقرار باشند‌.  سیستم‌های تولید‌، یک روش رایج در هوش مصنوعی هستند‌. در آنها از «اگر–آنگاه» یا قانون‌های «شرط–عملکرد»‌ استفاده می‌شود‌. مثلاً‌ در دنیای جاروبرقی داریم‌: در صورتی که خانه‌ی [1و1]‌ جارو نشده باشد و در خانه‌ی مجاور یا همسایه باشد‌، آنگاه به خانه‌ی [1،1] برو‌. چنانچه بیان شد، یک سیستم تولید‌، از تعداد زیادی قانون‌ تشکیل شده است‌؛ برخی از قوانین‌ ممکن است باعث عمل کردن قانون‌های دیگر شوند‌؛ در سیستم‌های تجاری‌، مسأله‌‌ این است که، وقتی برای یک مورد‌ بیش از یک قانون داریم‌ چه کار کنیم‌؟ [‌و کدام را اجرا نماییم‌؟]‌‌، در آینده به این مورد خواهیم پرداخت‌.

اجزای یک سیستم طبقه‌بندی کننده

یک سیستم طبقه‌بندی کننده‌ دارای سه جزء می‌باشد‌: یک قانون و سیستم پیام‌؛ یک سیستم انتساب اعتبار؛ و یک الگوریتم ژنتیکی‌، برای تولید قانون‌های جدید‌. حال این اجزا را مورد برّرسی قرار می‌دهیم:

قانون و سیستم پیام

حسگرهای عامل،‌ اطّلاعات را که به صورت یک رشته‌ی بیتی، کد شده‌اند‌، دریافت می‌نمایند‌؛ این اطّلاعات‌ پیامی از محیط می‌باشد‌.  این پیام، طبقه‌بندی‌کننده‌ها(قانون‌ها) را با تطبیق شرط‌ها‌ فعّال می‌نماید‌. طبقه‌بندی‌کننده‌ها‌ پیام‌هایشان را به لیست پیام‌ ارسال می‌نمایند‌؛ این پیام‌ها‌ ممکن است دیگر طبقه‌بندی‌کننده‌ها یا عمل‌کننده‌های عامل را فعّال نمایند‌.

 مثال‌- فرض کنید سیستم ما دارای طبقه‌بندی‌کننده‌های زیر می‌باشد‌؛ توجّه کنید که قانون‌ها به وسیله‌ی 0،1 و #(*) به صورت یک رشته‌ی بیتی‌ کد می‌شوند‌:

1.     01##: 0000

2.     00#0: 1100

3.     11##: 1000

4.     ##00: 0001

اگر پیام 0111 از محیط‌ دریافت شود‌؛ در ابتدا‌ قانون یک‌ اجرا می‌شود‌، پس 0000‌ در لیست پیام‌ قرار می‌گیرد‌؛ سپس‌ قانون‌های دو و چهار‌ اجرا می‌شوند‌، در نتیجه 1100 و 0001 در لیست پیام‌ قرار می‌گیرند‌؛ بعد‌ قانون سه اجرا می‌شود‌، پس 1000 در لیست پیام‌ قرار می‌گیرد‌، که با قانون شماره‌ی 4‌ مطابقت دارد، که پیامش در لیست پیام‌ها قرار دارد‌، حالا چند پیام در لیست پیام قرار دارد‌؛ کدام پيام‌ به عمل‌کننده‌ها[ی عامل] فرستاده می‌شود‌؟:

سیستم انتساب اعتبار

در زیر روشی را برّرسی می‌نمائیم:

روش گزینش براساس سابقه‌ی بهتر‌- در الگوریتم گزینش براساس سابقه‌ی بهتر، قانون‌ها براساس عملکرد قبلی انتخاب می‌شوند؛ به بیان دیگر، قانونی که دارای گذشته‌ی بهتری است، اجرا می‌شود؛ وقتی که یک قانون‌ برقرار می‌شود‌، در یک «حراج(مزایده) »[، با قانون‌های دیگر،] شرکت می‌نماید‌؛ هر قانون براساس عملکرد قبلی‌، دارای یک توانایی(قوّت) می‌باشد‌ و بالاترین قانون‌های شرکت کننده‌ بَرَنده می‌شوند و به طبقه‌بندی‌کننده‌(ها)‌ای که آنها را فعّال کرده‌(اند)‌، فرستاده می‌شوند‌.

الگوریتم ژنتیکی

تولید قوانین جدید‌- گزینش براساس سابقه‌ی بهتر، یک روش انتخاب قوانین و انتساب اعتبار را ارائه می‌نماید‌؛ حال سؤال این است که، چگونه قوانین جدید را به دست بیاوریم‌؟؛ در الگوریتم ژنتیکی پایه‌ی ما، همه‌ی جمعیّت‌، در زمان t‌، در زمان t+1‌ جایگزین می‌شود‌؛ این روش به‌خوبی برای بهینه‌سازی عمل می‌کند‌، ولی برای یادگیری‌، زیاد مناسب نمی‌باشد‌؛ به همین خاطر‌ از روش گزینش بهترین‌ها(نخبه‌سالاری) ‌، برای حفظ برخی از قانون‌ها، استفاده می‌نماییم‌؛ از روش انتخاب رولت ‌ هم برای حفظ قانون‌ها می‌توانید استفاده نمایید‌، البتّه‌ این روش‌ کندتر‌ استنتاج می‌کند‌. 

 

چکیده‌ی مطلب‌های فصل بیستم

طبقه‌بندی‌، پردازه‌ی انتساب یک ورودی‌ به یکی از کلاس‌های چندگانه می‌باشد‌.

سیستم طبقه‌بندی‌کننده، یک سیستم یادگیری ماشینی است که رشته قانون‌های دستوری ساده را برای راهنمایی عملکردش یاد می‌گیرد. (گُلدبِرگ)

یک سیستم تولید‌، از تعداد زیادی ‌قانون؛ حافظه‌ای که در آن‌ واقعیّت‌ها قرار می‌گیرند؛ و یک الگوریتم که با استفاده از روش زنجیره‌ی پیشرو‌ اجرا می‌شود و واقعیّت‌های جدید را با استفاده از قبلی‌ها به وجود می‌آورد‌، تشکیل شده است‌.

در یک سیستم تولید‌، برخی از قوانین‌ ممکن است باعث عمل کردن قانون‌های دیگر شوند‌؛ در سیستم‌های تجاری‌، مسأله‌‌ این است که، وقتی برای یک مورد‌ بیش از یک قانون داریم‌، چه کار کنیم‌؟ [‌و کدام را اجرا نماییم‌؟]‌‌.

یک سیستم طبقه‌بندی کننده‌ دارای سه جزء می‌باشد‌: یک قانون و سیستم پیام‌؛ یک سیستم انتساب اعتبار؛ و یک الگوریتم ژنتیکی‌، برای تولید قانون‌های جدید‌.

در الگوریتم گزینش براساس سابقه‌ی بهتر، قانون‌ها براساس عملکرد قبلی انتخاب می‌شوند؛ به بیان دیگر، قانونی که دارای گذشته‌ی بهتری است، اجرا می‌شود.

در الگوریتم ژنتیکی پایه‌ی ما، همه‌ی جمعیّت‌، در زمان t‌، در زمان t+1‌، جایگزین می‌شود‌؛ این روش به‌خوبی برای بهینه‌سازی عمل می‌کند‌، ولی برای یادگیری‌، زیاد مناسب نمی‌باشد‌؛ به همین خاطر‌ از روش گزینش بهترین‌ها(نخبه‌سالاری)‌، برای حفظ برخی از قانون‌ها، استفاده می‌نماییم‌.



نظرات شما عزیزان:

نام :
آدرس ایمیل:
وب سایت/بلاگ :
متن پیام:
:) :( ;) :D
;)) :X :? :P
:* =(( :O };-
:B /:) =DD :S
-) :-(( :-| :-))
نظر خصوصی

 کد را وارد نمایید:

 

 

 

عکس شما

آپلود عکس دلخواه:



:: برچسب‌ها: ██ متن فصل بیستم نسخه‌ی رایگان ایبوک هوش مصنوعی ██ , مترجم: سهراب جلوه گر جلوه‌گر , فصل سیستم‌های طبقه‌بندی‌کننده , آموزش هوش مصنوعی,


.:: This Template By : Theme-Designer.Com ::.