1 امتیاز2 امتیاز3 امتیاز4 امتیاز5 امتیاز (30 امتیاز از 6 رای)
Loading...
اطلاعات دوره

مدت دوره

۱

تعداد قسمت ها

تعداد دانشجو

۱۱ نفر

۱۲۳,۰۰۰ تـــــومان

مدرس

اطلاعات مدرس

مدرک تحصیلی

تعداد دوره ها

۵۵ مورد

آموزش الگوریتم رگرسیون فرآیند گاوسی (GPR) در R

تصویر gaussian-process-regression-gpr-r-video_23835 آموزش الگوریتم رگرسیون فرآیند گاوسی (GPR) در R

آموزش الگوریتم رگرسیون فرآیند گاوسی (GPR) در R

در این بخش فیلم آموزش پیاده سازی الگوریتم رگرسیون فرآیند گاوسی (GPR) در نرم افزار R را به زبان فارسی آماده کرده ایم که شامل دو قسمت است. قسمت اول به معرفی نرم افزار RStudio و نحوه کار با داده ها و نرمال سازی داده ها اختصاص دارد و قسمت دوم نیز الگوریتم یادگیری ماشین GPR از نظر تئوری مورد بررسی قرار گرفته و در انتها آموزش نحوه پیاده سازی الگوریتم GPR در محیط R ارائه شده است.

رگرسیون فرآیند گاوسی

رگرسیون فرآیند گاوسی (Gaussian process regression – GPR) یک رویکرد بیزی ناپارامتریک به رگرسیون است که در حوزه یادگیری ماشین (Machine learning) موج‌ هایی را ایجاد می‌کند. GPR دارای چندین مزیت است، به خوبی روی مجموعه داده های کوچک کار می کند و توانایی ارائه اندازه گیری عدم قطعیت در پیش بینی ها را دارد. بر خلاف بسیاری از الگوریتم های یادگیری ماشین نظارت شده که مقادیر دقیق را برای هر پارامتر در یک تابع یاد می گیرند، روش Bayesian توزیع احتمال را بر همه مقادیر ممکن استنتاج می کند.

فرآیند گاوسی (GP)

فرآیند گاوسی (GP) مجموعه ای از متغیر های تصادفی می باشد که تعداد محدودی از آنها با توزیع های گاوسی ادغام شده اند. هر کدام از فرآیند ها توزیع گاوسی مشترکی دارند. توزیع گاوسی در واقع توزیع بین متغیر های تصادفی بوده، درحالی که فرآیند گاوسی بیانگر توزیع بین توابع می باشد. تحلیل رگرسیون فرآیند گاوسی (GPR) راهی برای دسته بندی داده ها بر اساس ساختار هایی که در آنها تعبیه شده، فراهم می کند. در فرآیند گاوسی (GP) تابعی با عنوان تابع توزیع f تعریف می شود. در این فرآیند f نگاشتی از فضای ورودی X به فضا R است.

مدل های الگوریتم GPR

مدل های الگوریتم رگرسیون فرآیند گاوسی بر مبنای این فرض هستید که مشاهدات تنظیم می بایست حامل اطلاعاتی در باره همدیگر باشد. فرآیند گاوسی راهی جهت مشاهده اولویتی به صورت مستقیم روی فضای تابع هستند. این کار تعمیم طبیعی توزیع گاوسی است که میانگین و کواریانس آن به ترتیب بردار و ماتریس هستند. توزیع گاوسی روی بردارها است، در حالی که فرآیند گاوسی روی توابع می باشد. در نتیجه مدل های فرآیند گاوسی به دلیل دانش قبلی در باره وابستگی های تابعی و داده ها برای تعمیم به هیچ فرآیند اعتبار سنجی نیاز ندارند و مدل های رگرسیون فرآیند گاوسی (GPR) قادر به درک توزیع پیش بینی متناظر با ورودی آزمون هستند.

 

باکس دانلود
شناسه:
۲۳۸۳۵
مدت دوره:
۱
توضیحات:
۱ ساعت و ۱۷ دقیقه فیلم آموزشی فارسی با حجم ۱۶۰ مگابایت به همراه سورس کد R
مدرس:
قیمت:
۱۲۳,۰۰۰ تـــــومان
دوره های مرتبط
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است