جزوه روشنایی فنی
کاردانی برق دکتر کلهر گل محمدی محمدحسین فاتحی دکتر مهدی مظفری لقا کاردانی آقای کریم پور کارشناسی ارشد علیپیام نور حجرگشت محسن تقویفر کریم
“” : ً -“” ” /++ ، #، 
؛ : : –ً ()، () () ، ؛ ؛ : ؟
-() () () () () ؟ ؟ ؟
بود. اما قبل از این امر، ما عموماً از ابزارهای تجسم برای کارهای مختلف استفاده می کنیم. به عنوان مثال، به کمک این ابزارها می توان در مورد ویژگی های مناسب برای پیش بینی ارزش سایر ویژگی تصمیم گرفت. تنها با این کار، می توانیم بهترین رویکرد تحلیلی را که برای اهداف پیش بینی کننده یا استنباطی استفاده می شود، تعیین کنیم.
5. ساخت مجموعه آموزشی. انتخاب یک مجموعه آموزشی مناسب، اهمیت زیادی دارد.در این بین، ممکن است تعاریف کلی از مجموعه های مختلف آموزشی در بین خود متفاوت باشد، اما امیدواریم که پاسخ های پایین دستی تولید شده همچنان صحیح باشند.توجه کنید که نباید از مجموعه باران بیش از حد استفاده کنید، یعنی این رویکرد، موارد موجود در مجموعه آموزشی را با دقت نزدیک به 100 درصد پیش بینی می کند؛ اما تا حد زیادی نتایج صحیح را برای موارد ناشناخته پیش بینی نمی کند. اگر جلوی این موضوع را نگیرید، این امر به راحتی اتفاق می افتد. تمام این موارد با آزمایش مدل آماری مشتق شده بر روی مجموعه ای از داده ها برای تعیین میزان خطای آن، تعیین می شود.
برای کارکرد فرآیند فوق، اشیاء باید با ساختار ریاضی نمایش داده شوند که به راحتی قابل دستکاری و جزوه روشنایی فنی باشند. روش متداول ارتباط ساختار ریاضی با یک شیء جداگانه، استفاده از بردارهای ویژگی است. منظور از یک ویژگی، یک مشخصه معین از یک شی است. بردار ویژگی یک بردار مقادیر برای ویژگی های متعدد یک طبقه شی است، به طوری که بردارهای ویژگی برای اشیاء در یک طبقه شیء، دارای ترتیب یکسانی هستند. به عنوان مثال، روشنایی فنی های هواشناسی یک روز، می تواند دارای ساختار زیر باشد: دمای پایین، دمای بالا، رطوبت کم، رطوبت زیاد، نوع ابر غالب، قدرت کلی باد. متغیرهای درجه حرارت پایین، درجه حرارت بالا، رطوبت کم و رطوبت زیاد، متغیرهای پیوسته هستند، در حالی که نوع ابر غالب، یک متغیر طبقه بندی نشده و قدرت کلی باد یک متغیر طبقه ای مرتب است (با فرض اینکه مقادیر احتمالی ضعیف، متوسط ، قوی هستند). در محیط مهندسی نرم افزار، بردار ویژگی مربوط به یک قطعه کد می تواند بردار جزوه روشنایی فنی مختلف معیارهای نرم افزاری باشد، مانند تعداد خطوط کد، متوسط زمان اجرای برنامه، انسجام و اتصال. انتخاب بردار ویژگی مناسب اغلب چالش برانگیز است و حوزه جدیدی از مطالعه، به نام مهندسی ویژگی، تکامل یافته است تا به این روند کمک کند. رویکردهای
یادگیری ماشین. روشنایی فنی ماشین بخشی جدایی ناپذیر از علم داده است. فرایندی که قبلاً در این بخش مورد بحث قرار گرفت، مجموعه داده هایی را ایجاد می کند که برای پیشبرد یادگیری استفاده می شود. یادگیری تحت نظارت شامل رویکردهایی است که در آن، کاربر در دسترس است و عمدتا با ارائه انواع خاصی از اطلاعات متا، مانند داده های برچسب گذاری شده برای مجموعه های آموزشی، با سیستم یادگیری تعامل دارد،. یادگیری بدون نظارت، کاربر را برای ارائه اطلاعات طبقه بندی شده در اختیار ندارد. این تکنیک ها صرفاً داده محور هستند و راه هایی برای برچسب گذاری داده ها از خود داده ها پیدا می کنند. در رویکردهای یادگیری تحت نظارت، دو نوع مشکل اصلی وجود دارد.
دانلود رایگان خلاصه کتاب روشنایی فنی pdf
مشکلات طبقه بندی و مشکلات رگرسیون. مشکلات طبقه بندی، مشکلاتی هستند که هدف آن ها تعیین طبقه هر یک از موارد موجود است؛ به عبارت دیگر، پیش بینی برچسب ظبقه. مشکلی که دارای دو برچسب ممکن باشد، مشکل طبقه بندی باینری نامیده می شود، در حالی که مشکلی که دارای بیش از دو طبقه است، مشکل طبقه بندی چند طبقه ای نامیده می شود. اگر یک مورد بتواند به چند طبقه تقسیم شود، با مشکل طبقه بندی چند برچسبی مواجه خواهیم شد. در این حالت، اغلب عضویت یک مورد در یک طبقه منفرد با عددی بین 0 تا 1 همراه است. این عدد را می توان به عنوان قدرت عضویت یا احتمال عضویت تفسیر کرد. در این مورد، مجموع نقاط قوت یا احتمال عضویت برای یک مورد معین، برابر 1 است. یک مثال کلاسیک از مشکل طبقه بندی باینری، طبقه بندی ایمیل ها به عنوان هرزنامه یا غیر اسپم است. یک مثال از مشکل طبقه بندی چند طبقه ای، ظبقه بندی محتویات یک ایمیل در طبقات موضوعی مختلف است. هدف مشکلات رگرسیون، پیش بینی مقدار یک متغیر خروجی با توجه به مقادیر چندین متغیر ورودی است. مقدار پیش بینی شده می تواند دارای ارزش واقعی یا ارزش گسسته باشد. فرض کنید یک مقدار، دارای بردارهای ویژگی زیادی است که شامل اطلاعات ویتاری برای استخدام جدید می باشد. یک مثال از مشکل رگرسیون، پیش بینی مدت زمانی است که شخص، قبل از جستجوی شغل جدید، در شرکت شما می ماند. مرز <≤ ً () = () ، = () ، = () مجموعه آموزشی مرتبط است. به عنوان مثال، ریشه با کل مجموعه آموزشی مرتبط است. اگر سؤال در ریشه x1 <1 باشد، فرزند سمت چپ ریشه با مجموعه خالی و فرزند راست ریشه با کل مجموعه جزوه روشنایی فنی مرتبط است.اما اگر سؤال در ریشه x1 <1.8 باشد، فرزند سمت چپ ریشه با t2 و فرزند راست ریشه با آموزش های t1 و t3 مرتبط است. توجه داشته باشید که با تغییر 1.8 به 2.2، همان ارتباط را خواهیم داشت. با این حال، حتی در درختی مشابه، انتخاب نقطه تقسیم بر نتایج جفت ارزش ورودی که در مجموعه آموزش نیست، تأثیر می گذارد. بنابراین، خطای ایجاد شده توسط تقسیم x1 <1.8 چیست؟
تصویر 3-A2
اگر در این نقطه متوقف شویم، کاربرد درخت بدین صورت خواهد بود. روشنایی فنی یک جفت مقدار ورودی (c ، d)، اگر c <1.8 باشد، مقدار خروجی 3.5 را پیش بینی می کنیم، در حالی که اگر c ≥ 1.8 باشد، مقدار خروجی 3.125، و میانگین 5.7 و 0.55 را پیش بینی می کنیم. برای این جزوه کاربرد تکنولوژی پیشرفته در صنعت خودرو ، مجذور خطای تولید شده از فرزند چپ 0 است، در حالی که مجذور خطای تولید شده از فرزند راست (3.125 – 5.7) 2 + (3.125 – 0.55) 2 ≅ 13.26 است. اکنون می توانیم در این مرحله متوقف شویم، یا اصلاح بیشتری را در سمت راست انجام دهیم و صفحه را به سه قسمت تقسیم کنیم، که هر کدام با یک مجموعه آموزشی واحد مرتبط است. برای مشاهده درختان، مناطق مرتبط و خطاهای مربوط به دو شکاف مختلف، به شکل A2.3 مراجعه کنید. روش های کارآمد زیادی برای یافتن بهترین درخت وجود دارد که شامل زمان و چگونگی تقسیم منطقه و زمان توقف تقسیم منطقه ای است که شامل بیش از یک -()، /ً : ؛ () ()، ()
فهرست مطالب