دانلود پاورپوینت تحلیل و ارزیابی اهمیت کوچک شروع کردن

\n

عنوان قبلی : Learning and development in neuralnetworks: the importance of starting small

\n

\n

عنوان های پاورپوینت  : 

\n

\n

\n

تحلیل و ارزیابی اهمیت کوچک شروع کردن

\n

Learning and development in neuralnetworks: the importance of starting small

\n

مقدمه

\n

\n

اهمیت کوچک شروع کردن

\n

شبیه سازی

\n

ورودی افزایشی

\n

شبکه ها چگونه یاد می گیرند؟

\n

مراحل اولیه یادگیری

\n

تابع فعالسازی

\n

ویژگی برای شبکه

\n

اعمال محدودیت

\n

چالش ها و موضوعات پیشرو

\n

\n \n\n \n\n

---

\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\n \n\nتحلیل و ارزیابی اهمیت کوچک شروع کردن\n\n \n\nLearning and development in neuralnetworks: the importance of starting small\n\nمقدمه\n\nانسان از موجودات دیگر از دو جنبه  متفاوت است :\n\nظرفیت حافظه\n\nزمان طولانی رشد\n\nباعث\n\nمزیت یادگیری :انتقال رفتارها                             رشد سریع\n\nفهم اینکه چرا فشارهای تکاملی باعث حذف دوره طولانی رشد نمی شود، مشکل است.\n\nموفقیت افراد در زمینه خاص بوسیله مشارکت همه ویژگی هایشان حاصل می شود.\n\nبرای مطالعه یادگیری باید به این نکته توجه نمود که بیشترین یادگیری در انسانها دقیقا در نقطه ای از زمان اتفاق می افتد .\n\n \n\nمقدمه\n\nشرایط فعالسازی\n\nتغییرات رشد                                     موثرترین یادگیری\n\nStart  small\n\n \n\nشرایطی که مدلهای یادگیری ANN  بهتر کار می کنند\n\nشروع با حافظه                       محدود\n\nگزارش نتایج شبیه سازی ها      آموزش                                                                                                                                         ........\n\n \n\nدلیل محکمی وجود ندارد که بچه ها از داده منفی در طول یادگیری استفاده می کنند\n\n \n\nاهمیت کوچک شروع کردن\n\n \n\n \n\n \n\nفاکتور سوم به غیر از فطرت وشواهد غیر مستقیم                     تغییرات رشدی\n\n \n\n \n\n \n\nPlunkettوMarchman یادگیری بهتر زمانی حاصل می شود که            مجموعه آموزشی برای شبکه به آرامی رشد نماید\n\n \n\n \n\n \n\nاجازه دادن به مکانسیم یادگیری برای تغییر خودش                                         تسهیل یادگیری  میشود\n\nشبیه سازی ها\n\n \n\n \n\nThe   girls  who  the  teacher   has  picked  for  the  play  which  will  be   produced  next  month  practice  every  afternoon  .\n\n \n\n \n\n \n\nماهیت بازگشتی relative clause  ها         زبان طبیعی قادر به مدل  شدن توسط آتاماتای وضعیت متناهی\n\n \n\n \n\nمسئله            شبکه ها باید دارای چه ویژگی هایی باشند که ظرفیت پردازشی  ماورای آتاماتای وضعیت متناهی داشته باشند.\n\n \n\n \n\nشبیه سازی ها\n\n \n\nورودی افزایشی\n\n \n\n \n\n \n\nبرای فهم اینکه کجا شکست بروز می دهد وچطور پیچیدگی زبان را شبکه می تواند یاد بگیردپنج مجموعه آموزشی ساخته شد که ورودی آموزشی به مجموعه ای از پیچیدگی افزایشی سازماندهی شد.\n\n \n\n \n\n \n\nیک مغایرت مهمی که بین روشی که شبکه آموزش داده می شود و روشی که کودکان زبان یاد می گیرند وجود دارد ،بر خلاف شبکه ،کودکان نمونه هایی از همه جنبه های زبان بزرگسال را در ابتدا می شنوند.\n\n \n\n \n\n \n\nحافظه افزایشی\n\n \n\n \n\nیک تغییر رشدی که مربوط به یادگیری است                                افزایش تدریجی در حافظه\n\n \n\n \n\nحافظه در شبکه یعنی دسترسی شبکه به وضعیت های داخلی قبلی اش.\n\n \n\n \n\nدرا ین شبیه سازی شبکه از ابتدا با زبان بزرگسال آموزش داده شد.\n\n \n\n \n\nاگر شبکه به خود اجازه دهد که در طول یادگیری تحت تغییرات رشدی قرار گیرد(افزایش ظرفیت حافظه ) سپس نتیجه به اندازه ای که اگر آن محیط خودش را به تدریج پیچیده نماید خوب خواهد بود.\n\n \n\n \n\nحافظه افزایشی\n\nشبکه از ابعاد مختلف وضعیت درونی برای نمایش فاکتورهای مختلفی که به عملکرد مربوطند استفاده می کند\n\nآیتم واژگانی مجزا(تنها)\n\nرده گرامری(اسم ، فعل و ضمیر و ...)\n\nتعداد (مفرد در برابر جمع)\n\nنقش دستوری (فاعل در برابر مفعول و ...)\n\nسطح تعبیر(عبارت اصلی ، تابع و ..)\n\nبحث فعل\n\n \n\nارائه های درونی جمله های خاص می توانند به عنوان حرکت هایی از این فضای وضعیت تصور شوند\n\n \n\n \n\nحافظه افزایشی\n\nکدگذاری  تفاوت بین مفرد وجمع\n\n \n\n \n\nحافظه افزایشی\n\nکد گذاری تفاوت معماری فعل\n\n \n\n \n\nحافظه افزایشی\n\nارائه در فضای بزرگتر و شکبه های بزرگتر با جملات بیشتر\n\n \n\n \n\nحافظه افزایشی\n\nتعداد نسبتا کمی از منابع واریانس وجود دارد : تعداد، رده دستوری، نوع افعال و سطح تعبیر\n\n \n\nThe girl who the dogs that I chased  down the block frightened.\n\n \n\nهنگامی که پروسه یادگیری در مد افزایشی است، شبکه فقط زیر مجموعه ای از داده ها را می بیند. داده ها تنها جملات ساده هستند.\n\n \n\nاین زیر مجموعه از داده ها (جملات ساده) فقط شامل 3 تا از 4 منبع واریانس هستند : تعداد، رده دستوری و نوع افعال\n\n \n\nنتیجه اثر یادگیری اولیه این است که فضای راه حل به محدوده بسیار کوچکتری محدود می شود\n\n \n\nمحدودیت های حافظه اولیه به عنوان فیلتر در ورودی عمل می کنند\n\n \n\n \n\n \n\nشبکه ها چگونه یاد می گیرند؟\n\nمساله شروع با داده های کم (start small)\n\n \n\n \n\nمثال : تابع XOR\n\n \n\nInput                                        Output\n\n1   0                                                     1\n\n0   1                                                     1\n\n0   0                                                     0\n\n1   1                                                     0\n\n \n\n \n\n \n\nشبکه ها چگونه یاد می گیرند؟\n\n \n\n4 خاصیت اساسی یادگیری در مدلهای پیوندگرا :\n\n \n\nآمار به عنوان پایه واساس برای یادگیری، مساله اندازه گیری نمونه\n\nارائه تجارب\n\nمحدودیت در فرضیه های جدید\n\nچگونگی یادگیری تغییرات در طول زمان\n\n \n\nهر خصوصیت یک محدودیت کوچک در یادگیری اعمال می کند، اما این 4 ویژگی با هم محدودیت شدیدی در قدرت شبکه اعمال می کنند\n\n \n\n \n\nمراحل اولیه یادگیری\n\nساختار شبکه عصبی\n\nمراحل اولیه یادگیری\n\nنمودار وزن ها به نسبت خطا ها\n\nمراحل اولیه یادگیری\n\nبه صورت تجربی وزن ها را محاسبه می کنیم\n\nکه تمام وزن های ممکن را بالا، پایین می کنیم و به ازای هر کدام شبکه را تست می کنیم.\n\nتغییرات کوچک و نرم وزن ها با یادگیری افزایشی\n\nفواید: یادگیری تدریجی زبان\n\nمعایب: گیرکردن در بهینه های محلی\n\n \n\n \n\n \n\nتابع فعالسازی\n\nدر اکثر موارد تابع سیگموید است\n\nکه در ابتدای یادگیری خالص ورودی به یک گره نزدیک صفر است\n\nبسیار حساس به ورودی در طول شروع یادگیری می باشند .\n\nتحجر:"تحجر" یک فرایند مستقل از بلوغ نیست بلکه نتیجه مستقیم خود یادگیریست. بیشتر سیستم می داند  (جدا از درست یا غلط بودن)  و این سخت تر از آن است که چیز جدیدی یادبگیرد.\n\n \n\nهمه بدبختی های ما ناشی از این است که نسل کهنه ی ما به تحجر مبتلا است و نسل جدید به هیچ و پوچ (شریعتی)\n\n \n\nویژگی برای شبکه\n\nدر اکثر موارد یک سایز نمونه کوچک ، یک شبکه نمی تواند تعمیم  شاخص های یک جمعیت بزرگ را کشف کند.\n\n \n\nویژگی برای شبکه\n\nشبکه ها در دوره یادگیری اولیه بیشترین حساسیت را دارند. و در طول فرایند کمتر می توانند وزن هایشان را دستکاری کنند.\n\nشیب نزول یادگیری برای شبکه ، تغییرات زیاد در فرض ها را سخت می کند. وقتی یک شبکه در تعمیم دچار اشتباه میشود نمی تواند از local minimum ها رها شود.\n\nشبکه نمی تواند ساختار های دستوری پیچیه را یاد بگیرد زیرا برای رمز گشایی آنها به بازنمایی اولیه نیاز است.\n\nیک مکانیزم برای فیلتر کردن که به سیستم فقط اجازه ی پردازش جملات ساده را می دهد. با گذشت زمان حافظه تقویت میشود جملات پیچیده تری را پردازش می کند.\n\n \n\nاعمال محدودیت\n\nظرفیت محدود باعث کاهش فضای جستجو میشود.\n\nیادگیرنده های جوانتر سرگرم تعداد کمی از فرضیه های جهان شوند.\n\nاعمال محدودیت\n\nالیزا نیوپرت پیشنهاد داده که محدودیت زودهنگام منابع ممکن است دوره ای شود که در طول آن می توان زبان را شبیه مهارت نوع بومی آن آموخت.\n\n \n\n \n\n \n\nدیر یادگیرنگان کنترل ناقصی بر روی ریخت شناسی دارند .(با ذکر مثال)\n\nزبان آموزان جوان دچار خطای افزونگی حذف میشوند.\n\nاعمال محدودیت\n\nنیوپرت پیشنهاد داد زبان آموزان جوان تعداد محدودی از اشکال را درک کنند و به خاطر بسپرند. این عمل با نگاشت فضای بزرگتر به کوچکتر انجام میشود.\n\nجالب  اینکه : حافظه بزرگتر و مهارت محاسبه  برای بالغ ها مضر است:\n\nThe adult’s greater storage and computational skills actually work to their disadvantage.\n\nچالش ها و موضوعات پیشرو\n\nشاید ویژگی های غیر ذاتی کشش بیشتری در دوره های بلند مدت کودکی بگزارند.\n\nدر انسانها بخش عمده ای از طول عمر فرد در دوران کودکیست\n\nنیروهای تکاملی برای کسی که با تمام قابلیت ها متولد می شود ، انتخاب نشده است. در نتیجه انسان نیاز به تکامل دارد…\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 )