فرایند یادگیری در متلب

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را رایگان یاد خواهیم داد. با ما همراه باشید.

فرایند آموزشی در متلب

مار گزیده از ریسمان سیاه سفید می ترسد

از علل مشابه انتظارعواقب مشابه را داریم

. سیستمهای یادگیری صرفا با مشاهده عملکردشان رفتار خود را جهت رسیدن به هدفی خاص بهبود می‌بخشند.

. اگر مقاصد و اهداف به طور کامل تعریف شده باشد، دیگر احتیاجی به فرایند یادگیری نیست.

_یادگیری به علت عدم قطعیت در شرایط محیطی لازم می گردد.

.رفتار سیستمهای یادگیرتوسط الگوریتم های بازگشتی بیان می‌شود.

. با این الگوریتم های شاخص اجرایی مشخص شده ای بهینه می گردد.

. در حالت کلی دو نوع یاگیری داریم : با ناظر _ بدون ناظر

یادگیری با ناظر در متلب

. در این حالت در هر تکرار الگوریتم یادگیری جواب مطلوب سیستم یادگیرنده از قبل آماده است.

_ به عبارت دیگر الگوریتم به جواب مطلوبی دسترسی دارد.

.مثلا هدف یادگیری تابع y=x² باشد، پاسخ مطلوب به ورودی ۰,۵ برابر ۰,۲۵ می باشد.

. به طور کلی جوابی را که سیستم یادگیر با وضعیت فعلی پارامترهایش می دهد، جواب واقعی در نظر می گیریم.

بنابراین الگوریتم هم به جواب مطلوب و هم به جواب واقعی دسترسی دارد. یعنی خطای یادگیری که تفاوت این دو مقدار می باشد، در دسترس است.

یادگیری بدون ناظر در متلب

. در این حالت جواب مطلوب برای سیستم یادگیری موجود نیست.

. یعنی : عدم دسترسی به خطای دیگران

. سوال

_ چگونه می‌توان یک سیستم یادگیرنده را آموزش داد، اگر ندانیم که این سیستم قرار است چه کاری انجام دهد.

. خواهیم که بیشتر الگوریتم های بدون ناظر عمل خوشه بندی را انجام می دهند.

_ یعنی می‌آموزند که الگو های ورودی را به تعداد متناهی از گروه ها تقسیم کنند.

. دقت شود که در این حالت فرد معلم یا طراح است که مقصد نهایی را معلوم می کند.

یادگیری بدون معلم مفهوم غلطی است

خلاصه فرایند یادگیری در متلب

. سیستم یادگیرنده توسط محیط تحریک شود.

. قانون یائگیری با رجوع به نتیجه تحریک، پارامترهای سیتم یادگیری را تغییر دهد.

سیستم یادگیرنده به خاطر تغییراتی که در ساختار داخلی آن اتفاق افتاده است، پاسخ مناسبتری به محیط بدهد.

شبکه عصبی : سیستمهای دینامیکی آموزش پذیر

. شبکه عصبی توانایی تجربه اندوزی از گذشته و بهبود رفتار خود را داراست.

_ بهبود یادگیری در طول زمان باید بر اساس معیاری سنجیده شود.

. معیار بهبود، هدف یادگیری را مدل می‌کند.

. قانون یادگیری، روندی است که در آن ماتریس وزن ها و بردارهای بایاس شبکه عصبی تنظیم می‌شوند.

. این قوانین توسط روابط بازگشتی و عموما به صورت معادلات تفاضلی بیان می‌‎شوند.

. نوع یادگیری در چگونگی این روند دخالت دارد.

معامله یادگیری در حالت کلی در متلب

. یک نرون با یک بردار پارامتر w و بردار ورودی p قابل نمایش است.

. هر نرون توانایی تنظیم بردار پارانتر خود بر اساس ورودی و یک سگنال معلم را داراست.

_در یادگیری با ناظر : سیگنال معام همان سیگنال خطا است.

_ در یادگیری بدون ناظر : سیگنال معلم تغییر بردار حالت خود نرون است.

. قانون کلی برای یادگیری یک نرون در متلب

_ حالت پیوسته :

_حالت گسسته:

معادله یادگیری در حالت کلی

. a نشان دهنده تاثیر از گذشته و n نرخ یادگیری می‌باشد.

. L سیگنال یادگیری بوده و در حالت کلی تابعی از P,W.T (برای حالت با ناظر )  می باشد.

. خواهیم دید که هکه انواع قوانین یادگیری شبکه در این فرم کلی قرار دارند.

_ مثلا در قانون یادگیری پرسپترون a=0 بوده و سیگنال معلم همان سیگنال خطا و برابر  L=t-a است.

برای هر نرون شبکه عصبی نیاز داریم در متلب

_حالت پیوسته:

_حالت گسسته:

در اینجا آشنایی با محیط متلب بخش صد به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده: زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :

سفارش پروژه

همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام