پروژه بکارگیری روش gradient descent methodجمعه 03, آگوست 2018
پروژه بکارگیری روش gradient descent method برای یادگیری ماشین و روش tdnn برای شبکه عصبی
پروژه ای با موضوع روش gradient descent method برای یادگیری ماشین و روش tdnn برای شبکه عصبی توسط تیم همیارپروژه نوشته شده و جهت دانلود شما عزیزان در سایت قرار داده شده است.این پروژه برای دانشجویان هوش مصنوعی بسیار کاربردی می باشد.
توضیحات پروژه :
این پروژه شامل یک دیتاست( از سایت uci) در مورد سنجش کیفیت هوا با ۹۳۵۸ نمونه است که اطلاعات از دست رفته در آن با ۲۰۰- تگ شده اند. این پروژه از روش gradient descent method برای یادگیری ماشین و از روش tdnn برای شبکه عصبی استفاده کرده است.
به این صورت که برای روش گرادیان داده ها رادر فواصل ۲۴ ساعته حساب کند و ۲۴ ساعت بعدی را به ما بدهد.به این شکل که تعدادی فایل ۲۴ ساعته جدا جدا انتخاب می کنیم که یک ۲۴ ساعت ورودی و یک ۲۴ ساعت result درنظر گرفته می شود.
منظور این است که از کل دیتاست(به صورت رندم) مثلا ۱۰۰ تا فایل به صورتی که گفته شد شاخته شده و آموزش می دهیم، وقتی آموزش انجام شد حالا ۲۴ ساعتی که به آن داده ایم(داده های امروز) در تست ۲۴ ساعت بعدی(داده های فردا) را به ما می دهد.
از ۲۰۰۰ تا از داده ها برای train استفاده می شود (حداقل ۲۰۰۰ بسته دیتا داریم برای آموزش که به صورت رندم انتخاب شده است)و از ۱۰ درصد هم برای تست استفاده می شود .
همچنین در منحنی چگونگی روند تغییرات خطا را هم به ما نشان خواهد داد.و از ستون های (ویژگی های) : زمان -co-بنزن -نیتروژن دی اکسید -درجه حرارت -رطوبت نسبی استفاده می شود .اینها به موازات به ماشین داده می شوند (به این صورت که به عنوان ورودی ماشین بردار می سازیم و در بردار برای هر آیتم از داده اینها را قرار می دهیم ).
برای تست هم اول با دادهای اموزش دیده و بعد همانطور که قبلا گفته شد با ۱۰ درصد مابقی داده هایی که در آموزش نبودند تست می شوند.
– Performance
پیش بینی هم روی ۸۰ درصد می باشد .
مدل ریاضی دیتا بیس هم بدست آورده می شود که مدل تغییرات آلودگی در طی یک ساعت چگونه بوده است را به ما نشان می دهد.
برای روش tdnn برای شبکه عصبی هم از همان بسته های داده هایی که در یادگیری ماشین تولید شده استفاده می شود.در اینجا ورودی داریم اما result نداریم .
در این روش هم یک بسته داده ی ورودی را به ماشین معرفی می کنیم و خروجی را می گیریم و در تکرار بعدی بخشی از خروجی را میگیریم با بخش بعدی داده های ورودی و همین loop را انقدر تکرار می کنیم تا اگر مثلا ۲۴ ساعت را به آن دادیم ۲۴ ساعت بعدی را پیش بینی می کند .
