فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
توضیحات محصول دانلود پاورپوینت کامل آموزش روش درخت تصمیم گیری (کد10766)
دانلود پاورپوینت کامل آموزش روش درخت تصمیم گیری
\n عنوان های پاورپوینت :
\n\n\nیادگیری درخت تصمیم
\nدرخت تصمیم
\nنمایش درخت تصمیم
\nمثالی از یک درخت تصمیم
\nکاربردها
\n ویژگی های درخت تصمیم
\nنحوه نمایش درخت تصمیم
\nمثال
\nالگوریتم یادگیری درخت تصمیم
\nایده اصلی ID3
\nبایاس درخت تصمیم
\n سئوال
\nنحوه ساختن درخت
\nکدام ویژگی طبقه بندی کننده بهتری است؟
\n مثال
\nمعیار کمی اندازه گیری یک ویژگی کدام است؟
\nآنتروپی :
\nمثال :
\n سئوال
\nآنتروپی برای دسته بندی های غیر بولی
\nبهره اطلاعات(Information Gain)
\nOverfitting
\nدلایل بروز Overfitting
\nپرهیز ازOverfitting
\nحرس کردن درخت به روش Reduced Error Pruning
\nOverfitting یک پدیده عمومی است
\nدر نظر گرفتن ویژگی های با مقادیر پیوسته
\nسایر معیارهای انتخاب ویژگی برای درخت
\nمعیار نسبت بهره یا gain ratio
\nمعیار نسبت بهره یا gain ratio
\nویژگی هائی با هزینه متفاوت
\nمثالهائی با ویژگی های نامعلوم
\nUCI Machine Learning Repository
\nموضوع ارائه
\n \n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nدرخت تصمیم\n\nدرختها درهوش مصنوعی برای نمایش مفاهیم مختلفی نظیر ساختار جملات، معادلات، حالات بازی، و غیره استفاده میشود.\n\nیادگیری درخت تصمیم روشی برای تقریب توابع هدف با مقادیر گسسته است. این روش نسبت به نویز داده هامقاوم بوده وقادر است ترکیب فصلی گزاره های عطفی را یاد بگیرد.\n\nاین روش جزو مشهورترین الگوریتمهای یادگیری استقرائی است که بصورت موفقیت آمیزی در کاربردهای مختلف بکار گرفته شده است.\n\n \n\nمثالی از یک درخت تصمیم\n\nکاربردها\n\nدرخت تصمیم در مسایلی کاربرد دارد که بتوان آنها را بصورتی مطرح نمود که پاسخ واحدی بصورت نام یک دسته یا کلاس ارائه دهند.\n\nبرای مثال میتوان درخت تصمیمی ساخت که به این سوال پاسخ دهد: بیماری مریض کدام است؟ و یا درختی ساخت که به این سوال پاسخ دهد: آیا مریض به هپاتیت مبتلاست؟\n\nبرای مسائلی مناسب است که مثالهای آموزشی بصورت زوج (مقدار-ویژگی) مشخص شده باشند.\n\nتابع هدف دارای خروجی با مقادیر گسسته باشد. مثلا هر مثال با بله و خیر تعیین شود.\n\nنیاز به توصیف گر فصلی (disjunctive) باشد.\n\nویژگی های درخت تصمیم\n\nبرای تقریب توابع گسسته بکار می رود (classification)\n\nنسبت به نویز داده های ورودی مقاوم است\n\nبرای داده های با حجم بالا کاراست از این رو درData mining استفاده می شود\n\nمی توان درخت را بصورت قوانین if-then نمایش داد که قابل فهم برای استفاده است\n\nامکان ترکیب عطفی و فصلی فرضیه ها را می دهد\n\nدر مواردی که مثالهای آموزشی که فاقد همه ویژگیها هستند نیز قابل استفاده است\n\nنحوه نمایش درخت تصمیم\n\nارتباط مستقیمی بین درخت\n\nتصمیم ونمایش توابع منطقی\n\nوجود دارد.درواقع هردرخت\n\nتصمیم ترکیب فصلی گزاره های عطفی استمسیر از ریشه به برگ ترکیب عطفی (AND)از ویژگی ها را مشخص نموده و خوددرخت ترکیب فصلی(OR) این ترکیبات را میسازد.مثال\n\nترکیب عطفیمثالترکیب فصلی\n\n \n\nمثالالگوریتم یادگیری درخت تصمیم\n\nاغلب الگوریتم های یادگیری درخت تصمیم بر پایه یک عمل جستجوی حریصانه (greedy) بالا به پائین (top-down) در فضای درختهای موجود عمل میکنند. این الگوریتم پایه، Concept Learning System (CLS) نامیده می شود که در سال عرفی شده است.\n\nاین الگوریتم توسط Ross Quilan در سال بصورت کاملتری تحت عنوان Inducing Decisition trees () مطرح گردید.\n\nبعدها الگوریتم کاملتر دیگری تحت عنوان ارائه گردید که برخی نقائص را برطرف میکند.\n\nایده اصلی IDاین ایده به Ocuum’s Razor مشهور است ومی گوید :\n\n” دنیا ذاتا ساده است“\n\n \n\nبنابراین از کوچکترین درخت تصمیم که با داده سازگار باشد انتظار می رود که مثالهای نادیده را به درستی دسته بندی کند.\n\nبایاس درخت تصمیم بر این ایده است که درختهای کوچکتر بر درختهای بزرگتر ترجیح داده شود.\n\n \n\nسئوال\n\nاگر مسئله ما دارای ویژگی باشد، ارتفاع درخت تصمیم چقدر خواهد بود؟\n\nجواب: درخت تصمیم دارای یک ریشه است که آن خود یک ویژگی است،\n\nدر سئوال از آن ویژگی به پاسخی می رسیم که آن خود نیز، ویژگی است.\n\nپس حداکثر ارتفاع درخت خواهد بود.\n\n \n\n \n\n \n\n \n\n \n\n \n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
