در واقع می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرایندها در کاربردهای مختلف، به کار گرفت. یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی بدون انجام برنامه نویسی به رایانه امکان بهبود بخشیدن را به عملگرها می دهد. در این آموزش طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. هدف این آموزش، بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین و بررسی انواع مختلف روش های یادگیری تقویتی است.
آموزش یادگیری ماشین
دکتر امیر حسین کیهانی پور فارغ التحصیل دکترای تخصصی در رشته مهندسی کامپیوتر گرایش هوش مصنوعی از دانشگاه تهران و نیز مدرس دانشگاه تهران و دانشگاه صنعتی شریف هستند.
توضیحات تکمیلی
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 این فرادرس، 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. همچنین جهت آشنایی بیشتر با پیاده سازی در پایتون می توانید به آموزش یادگیری ماشین (Machine Learning) با پایتون (Python) لینک (+) مراجعه نمایید.
فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين 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
- رده بندی (Classification)
- 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)
- تکنیک های انتخاب ویژگی
- الگوریتم ID3
- الگوریتم C4.5
- معرفی کلی روش های یادگیری مبتنی بر حسابگری زیستی
- الگوریتم ژنتیک (Genetic Algorithms)
- شبکه های عصبی مصنوعی (Artificial Neural Networks)
- ترکیب رده بندی کننده ها (Combining Classifiers)
- روش Ensemble Averaging
- روش Bagging
- روش Boosting
- روش AdaBoost
- روش های دینامیک: Mixtures of Experts
- خوشه بندی (Clustering)
- تکنیک های محاسبه فاصله بین انواع ویژگی ها
- روش خوشه بندی K - Means
- روش خوشه بندی K - Medoids
- روش های خوشه بندی سلسله مراتبی (Hierarchical)
- شاخص های ارزیابی فرایند خوشه بندی
- ارزیابی فرضیه ها (Hypotheses Evaluation)
- درس سوم: یادگیری تقویتی – Reinforcement Learning
- معرفی مفاهیم پایه:
- عامل (Agent)
- کنش (Action)
- محیط (Environment)
- پاداش و تنبیه
- سیاست (Policy)
- جستجو (Exploration)
- بهره برداری از تجربه (Exploitation)
- روش های انتخاب کنش
- روش Softmax
- روش Reinforcement Comparison
- روش های Pursuit
- مساله یادگیری تقویتی
- ویژگی مارکوف (Markov property)
- فرایند تصمیم مارکوف (Markov Decision Process)
- معادلات Bellman
- روش برنامه ریزی پویا (Dynamic Programming)
- ارزیابی سیاست (Policy Evaluation)
- بهبود سیاست (Policy Improvement)
- روش های یادگیری Monte Carlo
- روش On - policy
- روش Off - policy
- روش های یادگیری تفاوت زمانی (Temporal Difference)
- روش SARSA
- روش Q-Learning
- 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
- روش یادگیری تعاملی Q - Learning
- روش یادگیری مبتنی بر خبرگی
- نمونه هایی از کاربردهای یادگیری تقویتی در حل مسائل در دنیای واقعی
- تهیه مدل مارکوف برای مساله مسیریابی ایمیل های ارسالی در شبکه ای از سرورها
- طراحی خزش گر کانونی برای جمع آوری اطلاعات وب بر اساس روش یادگیری تقویتی
- طراحی روش های رتبه بندی مبتنی بر یادگیری در جویشگرهای وب
- معرفی MDP Toolbox برای پیاده سازی روش های یادگیری تقویتی در محیط MATLAB
- معرفی مفاهیم پایه:
مفید برای
- مهندسی کامپیوتر
- علوم کامپیوتر
- مهندسی فناوری اطلاعات (IT)
در ادامه لیست کتب انگلیسی منتشر شده در این زمینه معرفی شده اند:
- Tom Mitchell; Machine Learning; 1997
- Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar; Foundations of Machine Learning; 2012
- Richard S. Sutton and Andrew G. Barto; Reinforcement Learning: An Introduction; 1988, 2016
- Csaba Szepesvari; Algorithms for Reinforcement Learning; 2010
- MarcoWiering and Martijn van Otterlo (Eds.); Reinforcement Learning: State-of-the-Art; 2012
پیش نیاز
آنچه در این آموزش خواهید دید:
پیش نمایش‌ها
۱.
کلیات و مفاهیم پایه در یادگیری ماشین
۲.
مرور روش های کلاسیک در یادگیری ماشین (الف)
۳.
مرور روش های کلاسیک در یادگیری ماشین (ب)
۴.
مرور روش های کلاسیک در یادگیری ماشین (پ)
۵.
مرور روش های کلاسیک در یادگیری ماشین (ت)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۶.
مرور روش های کلاسیک در یادگیری ماشین (ث)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۷.
مرور روش های کلاسیک در یادگیری ماشین (ج)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۸.
مرور روش های کلاسیک در یادگیری ماشین (چ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۹.
مرور روش های کلاسیک در یادگیری ماشین (ح)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۰.
مرور روش های کلاسیک در یادگیری ماشین (خ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۱.
مرور روش های کلاسیک در یادگیری ماشین (د)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۲.
مرور روش های کلاسیک در یادگیری ماشین (ذ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۳.
مرور روش های کلاسیک در یادگیری ماشین (ر)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۴.
یادگیری تقویتی – Reinforcement Learning (الف)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۵.
یادگیری تقویتی – Reinforcement Learning (ب)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۶.
یادگیری تقویتی – Reinforcement Learning (پ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۷.
یادگیری تقویتی – Reinforcement Learning (ت)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۸.
یادگیری تقویتی – Reinforcement Learning (ث)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۱۹.
یادگیری تقویتی – Reinforcement Learning (ج)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۲۰.
یادگیری تقویتی – Reinforcement Learning (چ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۲۱.
یادگیری تقویتی – Reinforcement Learning (ح)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۲۲.
یادگیری تقویتی – Reinforcement Learning (خ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۲۳.
یادگیری تقویتی – Reinforcement Learning (د)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۲۴.
یادگیری تقویتی – Reinforcement Learning (ذ)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
۲۵.
یادگیری تقویتی – Reinforcement Learning (ر)
مشاهده این پیش‌نمایش، نیازمند
عضویت و ورود به سایت (+)
است.
آموزش‌های مرتبط با آموزش یادگیری ماشین
راهنمای سفارش آموزش‌ها
.svg)
در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
- با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
- با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه
- ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
- و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.
نظرات
همه چیز. عالیه اما بیان استاد خوب نیست و بعضی مواقع متوجه نمیشیم چی گفتن . و روند صحبتشون به خصوص آهنگ صداشون یکنواخته و ادم خوابش میگیره اما خیلی استاد فهیم و با دانش هستند در این شکی نیست فقط با بیانشون مشکل داشتم خواب آور بود باید نشاطشون بیشتر بشه
در کل بد نیست خوبه