AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

عملگرهای الگوریتم ژنتیک

به طور خلاصه عملگرهای ژنتیک از عنلگرهای زیر تشکیل شده است :

Encoding

این مرحله شاید مشکل ترین مرحله حل مسئله به روش الگوریتم ژنتیک باشد. الگوریتم ژنتیک به جای این که بر روی پارامترها یا متغیرهای مسئله کار کند، با شکل کد شده آن ها سرو کار دارد. یکی از روش های کد کردن، کد کردن باینری می باشد که در آن هدف تبدیل جواب مسئله به رشته ای از اعداد باینری است.

ادامه مطلب...

در بسیاری از مسائل مهندسی و علوم معمولا با تابع هدفی روبرو هستیم که می‌خواهیم آن را بهینه نماییم. مسائل مهندسی با روش‌های متفاوتی مورد تحلیل قرار می‌گیرند. روش‌های تحلیلی، روش مضارب لاگرانژ (Langrange Multipliers Method) و حساب تغییرات (Calculus Of Variation) و شیوه‌های عددی (Numerical Methods) مانند روش‌های مبتنی بر گرادیان (Gradient Based Methods) و روش‌های تاع جریمه‌ای (Penalty Function) را شامل می‌شوند. در حالت کلی مسائل مهندسی را می‌توان در چارچوب مسائل برنامه ریزی ریاضی به روش‌های مبتنی بر گرادیان و روش‌های جستجوی مستقیم تقسیم نمود، که در روش اول مشتقات تابع هدف و قیدها به همراه مقادیر ان تابع برای یافتن طرح بهینه به کار گرفته می‌شود. در برخی از مسائل مهندسی استفاده از روش‌های مبتنی بر گرادیان تابع هدف امکان پذیر است ولی در تعدادی از مسائل یا نمیتوان از این روش استفاده کرد و یا به کارگیری آن‌ها به سادگی امکان پذیر نخواهد بود. از دیدگاه دیگر می‌توان این روش‌ها را در گروه روش‌های قطعی (Deterministic) و یا غیر تصادفی، و روش‌های تصادفی (Stochastic) جای داد. منظور از روش‌های تصادفی روش‌هایی است که از نمونه برداری تصادفی در فضای جستجو یا مدل‌های تصادفی تابع هدف استفاده می‌کنند. که در سال‌های اخیر توجه زیادی را به خود جلب کرده اند و این به دلیل ارائه روش‌های موثری در حل مسائل بهینه سازی مشکل و امکان دستیابی به نقاط بهینه کلی می‌باشد. از طرف دیگر بیشتر روش‌های غیر تصادفی دارای این اشکال هستند که به محض رسیدن به اولین نقطه بهینه محلی متوقف شده و توانایی خروج از این نقطه و حرکت به سوی نقاط دیگر و در نهایت نقطه بهینه مطلق را ندارند.

ادامه مطلب...

وارسی اعتبار (Cross-Validation)

روش وارسی اعتبار (CV) یک متد توسعه‌یافته و موردپذیرش برای آنالیز صحت پیش‌بینی می‌باشد. از این روش به‌طور عمده برای زیرمجموعه‌های تصادفی و یا چند‌بخشی(k-fold) از مجموعه آزمون و آموزش، استفاده می‌شود. روش ذکرشده به‌عنوان یک متد نمونه‌برداری جزء که رویکردی ساده از وارسی اعتبار می‌باشد، شناخته‌شده است. در روش اعتبارسنجی k-fold، مجموعه دادها را به k بخش مجزا تقسیم می‌شوند. فرایند مدل‌سازی را برای k مرتبه تکرار می‌کنیم و در هر مرتبه k-1 بخش از داده‌ها برای پروسه آموزش استفاده می‌شود و یک بخش از داده‌ها که در فرایند آموزش، شرکت داده نشده، برای فرایند تست و اعتبارسنجی مدل پیش‌بینی کننده، مورد استفاده قرار می‌گیرد. در خاتمه از خطای پیش‌بینی محاسبه شده در هریک از k مرحله متوسط‌گیری می‌شود. مزیت استفاده از زیرمجموعه‌سازی تصادفی داده‌ها در این روش سبب می‌شود تأثیر نحوه توزیع داده‌ها برای فرایند مدل‌سازی حذف شود. واریانس نتایج حاصل از متوسط گیری برای حالتی که مقدار ، بسیار بزرگ باشد، بسیار کوچک خواهد بود[1].

ادامه مطلب...

درخت تصمیم یکی از ابزارهای قدرتمند و متداول برای دسته‌بندی و پیش‌بینی داده‌ها با رویکرد یادگیری نظارت شده می‌باشد. ساختار فلوچارت گونه آن به کاربر کمک می‌کند تا درک بهتری از نتایج پیش‌بینی و کلاس‌بندی در مسائل مورد طرح در حوزه یادگیری ماشین و آمار، داشته باشد. در این ساختار هر گره داخلی، آزمونی را بر روی یک ویژگی مشخص می‌کند. گره‌های برگ، کلاس‌ها یا توزیع کلاس‌ها را ارائه می‌نماید. بالاترین گره در درخت، گره ریشه نامیده می‌شود. در شکل زیر، نمایی از یک درخت تصمیم که از آن برای شناسایی وضعیت کیفی پارامترهای احتراق استفاده شده، مشخص شده است.

ادامه مطلب...

ماشین پشتیبان بردار (SVM) دسته‌ای از الگوریتم‌های یادگیر ماشینی می‌باشند که از توانایی آن‌ها برای کلاس‌بندی و رگرسیون در مجموعه داده‌ها می‌توان بهره‌جست. اساس این متد بر مبنای تئوری یادگیری آماری بناشده است. به‌عبارتی‌دیگر با استفاده از مجموعه‌ایی از داده‌های برچسب‌گذاری شده و آموزش SVM به‌وسیله آن‌ها، مدل مناسبی برای پیش‌بینی نوع طبقه‌بندی داده‌های جدید، بدست می‌آید. SVM، روش مؤثری برای مدل‌سازی داده‌ها می‌باشد. این الگوریتم با افزایش ابعاد مسئله و با استفاده از نگاشت کرنل، یک چهارچوب کاری یکپارچه را برای اکثر مدل‌ها فراهم می‌کنند. استفاده از این روش برای مجموعه داده‌هایی با ابعاد بالا و حجم داده‌های پایین، کارایی بالایی از خود نشان می‌دهد[1].

ادامه مطلب...

نوعی دیگر از شبکه‌های عصبی را می‌توان شبکه‌های شعاع مبنا معرفی نمود. شبکه‌های شعاع مبنا به نسبت شبکه پس‌انتشار نیاز به نورون‌های بیشتری دارند، اما حسن آن‌ها در زمان طراحی کوتاه‌تر آن‌ها نسبت به شبکه‌های استاندارد پس‌انتشار می‌باشد. این شبکه‌ها زمانی که بردار‌های آموزشی بسیار زیاد می‌باشند، کارایی قابل‌ملاحظه‌ای از خود نشان می‌دهند[1].

ادامه مطلب...

صفحه1 از3

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode