پاورپوینت یادگیری مبتنی بر نمونه

قسمتی از اسلایدها

در روشهائی که تاکنون بررسی کردیم، سعی بر این بود که با استفاده از مثالهای آموزشی تابعی پیدا کنیم که بتواند توصیف‌کننده داده‌ها باشد.

در روش یادگیری IBL بسادگی فقط مثالها را ذخیره می‌کنیم و هرگونه تعمیم تا مشاهده مثال جدید به تعویق می‌افتد. به همین دلیل این روش گاهی روش تنبل یا lazy هم نامیده می‌شود.

با مشاهده مثالهای جدید رابطه آن با نمونه‌های ذخیره شده بررسی شده و یک مقدار برای تابع هدف آن نسبت داده می‌شود.
روش IBL برای هر نمونه جدید، تقریب جداگانه‌ای از تابع هدف را ایجاد می‌کند. این تقریب فقط به همسایگی نمونه جدید قابل اعمال بوده و هرگز نمی‌تواند بر روی فضای تمام نمونه‌ها عمل کند.

کاربرد این روش هنگامی موثر است که تابع هدف خیلی پیچیده بوده ولی در عین حال قابل نمایش توسط توابع ساده‌تر محلی باشد.

این روش دارای 3 مشخصه اصلی است:

تابع شباهت: مشخص می‌کند که دو نمونه چقدر نزدیک به هم هستند.انتخاب این تابع می‌تواند بسیار مشکل باشد. مثلا چگونه می‌توان شباهت رنگ موی 2 نفر را بیان نمود؟

انتخاب نمونه‌ها برای ذخیره: در این الگوریتم سعی می‌شود نمونه‌هائی ذخیره شوند که عمومی‌تر باشند. تشخیص اینکه آیا یک نمونه عمومیت دارد یا خیر، می‌تواند کار مشکلی باشد.

تابع دسته‌بندی‌کننده: تابعی است که بامشاهده یک مثال دسته‌بندی آنرا تعیین می‌کند.

فهرست مطالب و اسلایدها

مقدمه

یک تفاوت اساسی

مشخصهها

مشکلات

مثالی از کاربردها

روشهای مختلف

فاصله اقلیدسی

الگوریتم k-NN برای تابع هدف گسسته

مثال

فضای فرضیه

Voronoi diagram

نرمالیزه کردن دادههای آموزشی

Distance-weighted k-NN

نکاتی در مورد الگوریتم k-NN

Cross-validation

Indexing

Regressio

Residua

Kernel Function

توابع Kernel

Locally Weighted Linear Regression

رابطه محلی؟

قانون تغییر وزنها

انتخاب مقدار k