مقوله ماشین های یادگیرنده (Learning Machines) ، شاخه ای از هوش مصنوعی است که هدف آن دستیابی به ماشین هایی است که قادر به استخراج دانش( یادگیری) از محیط می باشند. این سیستم ها به عبارتی رفتار یادگیری انسان را در سیستم های هوشمند شبیه سازی می کند. یکی از عمده ترین کاربردهای تکنیک های تولید شده، طراحی و تولید پایگاه دانش سیستم های خبره می باشد. حساسیت مرحله طراحی و تولید پایگاه دانش سیستم های خبره به حدی است که آن را می توان تنگنای طراحی سیستمهای خبره دانست.
فهرست مطالب
- فصل 1 یادگیری ماشین
1-1 چکیده
1-2 یادگیری چیست؟
1-3 نگاهی به فردا
1-4 یادگیری ماشین
1-4-1 هدف
1-5 ماشین یادگیرنده
1-5-1 روند تکاملی ماشین های یادگیرنده
1-5-2 انواع ماشین های یادگیرنده
1-5-3 اجزاء ماشین های یادگیرنده
1_5_4 مشکلات ماشین های یادگیرنده
1-6 روشهای یادگیری عامل
1-7 مسائل اساسی یادگیری
1-8 روند عملیلتی
1-9 قوانین یادگیری
1-9-1 روش AQ11
1-9-2 روش CN2
1-9-3 درخت تصمیم
1-10 طراحی یک سیستم یادگیری
1-10-1 انتخاب Training Experience
1-10-2 انتخاب تابع هدف
1-10-3 انتخاب نحوه نمایش تابع هدف
1-10-4 انتخاب الگوریتم شبیه سازی
1-10-5 طراحی نهایی
1-11 کاربردهای ماشین های یادگیرنده
1-12 تکنیک های یادگیری ماشین
1-12-1 درخت تصمیم گیری
1-12-2 شبکه های عصبی
1-12-3 منطق فازی
1-12-4 یادگیری از طریق منطق مخاسباتی
1-12-5 محاسبات تکاملی
1-12-5-1 الگوریتم ژنتیک
1-12-6 یادگیری تقویتی
فصل 2 داده کاوی
مقدمه
2-1 تعریف تئوریک از داده کاوی
2-2 جایگاه داده کاوی
2-2-1 چند واقعیت
2-3 مراحل یک فرایند داده کاوی
2-4 پایه های یک فرایند داده کاوی
2-5 کاربردهای داده کاوی
2-6 مقوله کاهش ابعاد داده
2-6-1 پروسه کشف دانش از پایگاه داده
2-6-2 ویژگی های KDD
2-6-3 استخراج داده ها
2-6-4 آماده کردن داده ها
2-6-5 مهندسی داده ها
2-6-6 مهندسی الگوریتم و تعیین استراتژی های کاوش
2-7 زبان های پرسشی داده کاوی
2-8 کلاسه بندی و پیشگویی داده ها
2-8-1 انواع روشهای کلاسه بندیگ
2-8-2 مراحل یک الگوریتم کلاسه بندی
2-8-3 ارزیابی روشهای کلاسه بندی
2-9 خوشه بندی
2-9-1 تعریف فرایند خوشه بندی
2-9-2 کیفیت خوشه بندی
2-9-3 روش ها و الگوریتم های خوشه بندی
2-9-4 دسته بندی ویژگی های الگوریتم های خوشه بندی
2-10 داده کاوی با استفاده از استنتاج و یادگیری بیزی
2-10-1 تئوری بیز
2-10-2 اصل طول توصیف مینیمم
2-10-3 الگوریتم Gibbs
2-10-4 طبقه بندی ساده بیزی
2-10-5 تخمین زدن احتمالات
2-10-6 الگوریتم EM
نتیجه گیری
فصل 3 شبکه های عصبی
مقدمه
3-1 تاریخچه
3-2 ایده پیدایش شبکه های عصبی
3-3 پباهن با مغز
3-4 روش کار نرون ها
3-5 مدل ریاضی
3-6 پیاده سازی های الکترونیکی نرون ها مصنوعی
3-7 عملیات شبکه های عصبی
3-8 آموزش شبکه های عصبی
3-9 آموزش تطبیقی
3-10 تفاوت شبکه های عصبی با روش های محاسباتی متداول و سیستم های خبره
3-11 انواع یادگیری برای شبکه های عصبی
3-11-1 باناظر
3-11-2 تشدیدی
3-12 زمینهای در مورد perceptron
3-12-1 قدرت protron
3-12-2 دنباله های protron
3-13 قضیه بنیادی دنباله ها
3-14 کاربردهای شبکه های عصبی مصنوعی
3-15 مزیت شبکه های عصبی
3-16 قوانین فعال سازی
نتیجه
فصل 4 الگوریتم ژنتیک
مقدمه
4-1 الگوریتم ژنتیک چیست؟
4-2 طبیعت ایده اولیه
4-3 رابطه تکامل طبیعی با هوش مصنوعی
4-4 چارچوب کلی الگوریتم های ژنتیک
4-4-1 شرط پایان الگوریتم
4-5 روش های نمایش
4-6 عملگرهای الگوریتم ژنتیک
4-6-1 تابع سازگاری
4-6-2 انتخاب
4-6-3 CrossOver
4-6-4 موتاسیون ( جهش )
4-6-5 جایگزینی
4-7 مزایا و معایب
4-8 کاربردهای الگوریتم ژنتیک
4-8-1 نمونه ای از کاربرد در مسائل بهینه سازی مهندسی نفت
4-8-2 کاربرد الگوریتم ژنتیک در شبکه های عصبی
4-8-3 هایپر هیوریستیک
4-9 روند الگوریتم ژنتیک با یک نمونه ساده
نتیجه
دانلود پایان نامه یادگیری ماشین
