بخش اول: مبانی یادگیری ماشین

مبانی یادگیری ماشین از دانشگاه کالیفرنیا

آیا می خواهید پردازش داده ها را در مقیاس های بزرگ بیاموزید؟

 آیا نیاز به استفاده از مدل های پیش بینی دارید اما 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 در زمینه یادگیری ماشین مانند KNIME  و SPARK آشنا می نماید و قادر به شرح و بکارگیری تکنیک های خوشه بندی و الگوریتم های طبقه بندی جدید خواهید بود.

مدرسان این دوره

 دکتری کامپیوتر و مدیر مرکز پیشبینی و تجزیه و تحلیل ابرکامپیوتر ها از دانشگاه کالیفرنیا: Natasha Balac

 دکتری مدلسازی با کامپیوتراز دانشگاه کالیفرنیا : Paul Rodriguez 

عناوین این بخش:

درس اول: یادگیری ماشین و داده های بزرگ

درس دوم: داده کاوه در یادگیری ماشین 

درس سوم: آغاز به کار با   KNIME

درس چهارم: کار با داده های نمونه

پاورپوینت تحقیق و مقاله کامل درمورداتوماتای یادگیر هوش مصنوعی (تعداد صفحات60 اسلاید)با قابلیت ویرایش کامل

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 خود و اِعمال آن بر محیط، عمل می‌کند. عمل مذکور توسط یک محیط تصادفی ارزیابی می‌شود و اتوماتا از پاسخ محیط برای انتخاب عمل بعدی خود استفاده می‌کند. در طی این فرایند اتوماتا یاد می‌گیرد که عمل بهینه را انتخاب نماید. نحوه استفاده از پاسخ محیط به 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 با تعداد محدودی عمل و یک محیط تصادفی که اتوماتا با آن در ارتباط است.

2-      الگوریتم یادگیری که اتوماتا با استفاده از آن عمل بهینه را یاد می‌گیرد.

فهرست  :  

تعریف یادگیری

تاریخچه اتوماتای یادگیر

تقسیم بندی اتوماتاها

محیط  Enviroment

رابطه بین اتوماتای یادگیر و محیط

مدل های محیط

معیارهای رفتار اتوماتای یادگیر

الگوریتم یادگیری

انواع اتوماتاهای یادگیر

انواع اتوماتاهای یادگیر با ساختار ثابت

اتوماتای یادگیر با ساختار متغیر

ویژگی‌های اتوماتاهای یادگیر

 محدودیت ها  اتوماتاهای یادگیر

اتوماتای یادگیر توزیع شده