بهمن 1392
 

(در فایل دانلودی نام نویسنده موجود است)

چکیده
 
امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.
روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.
استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سریال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.
در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سریال ارائه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.
واژه­های کلیدی: یادگیری ماشین، الگوریتم­های یادگیری جمعی، coarse-to-fine learning، یادگیر‌های جمعی سریال، separate-and-conquer
 فهرست مطالب

عنوان                                                                                                                صفحه
فصل اول  
مقدمه  

مقدمه.1
1-1. مقدمه. 1
1-2. یادگیری ماشین 1
1-3. الگوریتمهای یادگیری جمعی 3
1-4. دسته بندی کننده های سریال 4
1-5. ایده اصلی تحقیق 5
1-6. نگاهی کلی به فصول رساله. 6
فصل دوم  
پیشینه تحقیق   

پیشینه تحقیق .8
2-1. مقدمه. 8
2-2. اهمیت مسائل چندکلاسه. 8
2-3. روش‌های BOOSTING. 11
2-3-1. مسائل دوکلاسه. 13
2-3-2. مسائل چند‌کلاسه. 14
تکنیک های تجزیه کلاسی. 15
یکی-در مقابل-همه(OAA). 15
یکی-در مقابل-یکی(OAO). 16
روش P در مقابل Q. 17
روش‌های Boosting چند‌کلاسه 18
روش AdaBoost.M2 18
روش AdaBoost.OC 21
روش AdaBoost.ECC 22
2-4. روش‌های جمعی سریال 23
2-4-1. دسته‌بندی‌‌‌کننده‌ی سریال 24
دسته‌بندی‌کننده‌های سریال همزمان. 28
ساختار‌های سریال درختی. 30
2-5. خلاصه. 31
فصل سوم  
راهکارهای پیشنهادی

راهکارهای پیشنهادی. 33
3-1. مقدمه. 33
3-2. روش LogitBoost سریال تودرتو. 34
کلیات روش. 34
جزییات روش. 34
3-3. ساختار سریال پایش داد‌ه‌ها به کمک الگوریتم – نزدیک‌ترین‌همسایه. 39
3-4. خلاصه. 41
فصل چهارم  
روال آزمایش‌ها 

روال آزمایش‌‌ها 43
4-1. مقدمه. 43
4-2. دسته‌بندی‌کننده‌های مورد استفاده برای مقایسه. 43
4-2-1. دلایل انتخاب روش‌های رقیب. 43
4-2-2. جزییات پیاده‌سازی روش‌های رقیب. 44
4-3. معیار‌های ارزیابی 46
4-4. مجموعه داده‌های به‌کار رفته در آزمایش‌ها 48
مجموعه داده‌های مربوط به مسائل چندکلاسه 48