🔷 یادگیری تقویتی یکی از گرایش‌های یادگیری ماشین است که از روانشناسی رفتارگرایی الهام می‌گیرد. این روش بر رفتارهایی تمرکز دارد که ماشین باید برای بیشینه کردن پاداشش انجام دهد. این مسئله، با توجه به گستردگی‌اش، در زمینه‌های گوناگونی بررسی می‌شود. مانند: نظریه بازی‌ها، نظریه کنترل، تحقیق در عملیات، نظریه اطلاعات، سامانه چندعامله، هوش ازدحامی، آمار، الگوریتم ژنتیک، بهینه‌سازی بر مبنای شبیه‌سازی. در مبحث تحقیق در عملیات و در ادبیات کنترل، حوزه‌ای که در آن روش یادگیری تقویتی مطالعه می‌شود برنامه‌نویسی تخمینی پویای (approximate dynamic programming) خوانده می‌شود.

🔺 در یادگیری ماشین با توجه به این که بسیاری از الگوریتم‌های یادگیری تقویتی از تکنیک‌های برنامه‌نویسی پویا استفاده می‌کنند معمولاً مسئله تحت عنوان یک فرایند تصمیم‌گیری مارکف مدل می‌شود. تفاوت اصلی بین روش‌های سنتی و الگوریتم‌های یادگیری تقویتی این است که در یادگیری تقویتی نیازی به داشتن اطلاعات راجع به فرایند تصمیم‌گیری ندارد و این که این روش روی فرایندهای مارکف بسیار بزرگی کار می‌کند که روش‌های سنتی در آنجا ناکارآمدند.

🔺 یادگیری تقویتی با یادگیری با نظارت معمول دو تفاوت عمده دارد، نخست اینکه در آن زوج‌های صحیح ورودی و خروجی در کار نیست و رفتارهای ناکارامد نیز از بیرون اصلاح نمی‌شوند، و دیگر آنکه تمرکز زیادی روی کارایی زنده وجود دارد که نیازمند پیدا کردن یک تعادل مناسب بین اکتشاف چیزهای جدید و بهره‌برداری از دانش اندوخته شده دارد.
منبع: ویکی پدیا

#robotic
#artificial_intelligence 
#machine_learning 
#reinforcement_learning 

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🌐 ویژگی جدید گوگل
💡حل معادلات ریاضی
@onlinebme

❇️ مروری مختصر بر الگوریتم نزدیکترین همسایه(KNN)
https://onlinebme.com/knn/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎻 اینطور که پیش میره چند سال دیگه زندگی خیلی عجیب و غریب خواهد بود!
@onlinebme

✅استخراج ویژگی هدفمند،حذف اطلاعات مشترک درد ساز!

🔺خلاصه: اطلاعات مشترک اطلاعاتی هستند که در پروژه‌های شناسایی الگو برای الگوریتمهای یادگیری ماشین گمراه کننده هستند و کار تصمیم گیری را برای این الگوریتمها دشوار می‌کنند.  میخواهیم در این جلسه نگاهی به این اطلاعات مشترک داشته باشیم و با یک مثال ساده توضیح دهیم که این اطلاعات چی هستند و  چطور میتوان تاثیر آنها را در پروسه استخراج ویژگی و  تصمیم گیری حداقل کرد.

⭕️جزئیات بیشتر 👇
https://onlinebme.com/feature-extraction/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ یادگیری جمعی (ensemble learning)
بخش اول: بررسی کارایی ایده یادگیری جمعی

خلاصه: یادگیری جمعی حوزه‌ای در یادگیری ماشین است که در این حوزه تکنیک‌هایی مطرح شده است که به کمک آنها از چندین مدل به صورت ترکیبی و همزمان جهت تصمیم گیری استفاده می‌کنند تا توان مدل در تخمین خروجی داده را بالا ببرند. در این بخش میخواهیم نگاهی به این مسئله داشته باشیم که اساسا چرا رویکرد یادگیری جمعی رویکردی کارا و موثر است.

⭕️جزئیات بیشتر 👇
https://onlinebme.com/ensemble-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ تفاوت بین کواریانس و همبستگی(correlation)

خلاصه: در آمار و احتمال از کواریانس و همبستگی برای بررسی ارتباط خطی دو بین دو متغیر و اندازه گیری میزان وابستگی آنها به همدیگر استفاده می‌کنند! ولی آیا هر دو عین هم هستند؟

⭕️جزئیات بیشتر 👇
https://onlinebme.com/difference-between-correlation-and-covariance/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ شناسایی الگو چیست؟
💢شناسایی الگو یک فرایند شناختی است که در مغز ما زمانی که با برخی اطلاعاتی روبرو می‌شویم که با اطلاعات ذخیره شده در حافظه ما مطابقت دارد اتفاق می افتد. در علوم کامپیوتر، شناسایی الگو یک فرایند علمی است که در آن تمرکز بر شناخت خودکار الگوی داده‌های ورودی است. در حوزه علوم کامپیوتر شناسایی الگو یک تکنولوژی هست که اطلاعات ذخیره شده در پایگاه داده را با نمونه جدید مطابقت داده  و آن را را شناسایی می‌کند!

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/what-is-pattern-recognition/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@onlinebme

❇️ مشخصات یک ویژگی خوب
🔺ویژگی یک پارامتر یا خصیصه قابل اندازه گیری از پدیده‌ای هست که مشاهده می‌کنیم. ویژگی مشخصات مهم یک پدیده(object) را کمّی می‌کند. به فرایند اندازه‌گیری این پارامترها استخراج ویژگی گفته می‌شود. بخش استخراج ویژگی در همان ابتدای یک سیستم شناسایی الگو( گاها بعد از پیش پردازش ) انجام می‌شود تا فرایند یادگیری و عمویت‌پذیری در ادامه مراحل را ساده تر کند.

⭕️جزئیات بیشتر 👇
https://onlinebme.com/characteristics-of-a-good-feature/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ تغییرات بزرگ از اقدامات کوچک شروع می شود

می توان دنیای اطرافمان را با اقدامات کوچکی که انجام میدهیم تغییر دهیم.

@onlinebme

✅چرا کاهش بعد (feature conditioning ) در پروژه های شناسایی الگو امکان‌پذیر است؟

🔺در یک سیستم شناسایی الگو، کاهش بعد در مرحله چهارم بین طبقه‌بندی و استخراج ویژگی قرار می‌گیرید و هدفش کاهش تعداد ویژگی های استخراج شده است تا تصمیم گیری را برای طبقه‌بند تسهیل کند.
در این بخش میخواهیم این مسئله رو بررسی که کنیم چرا اساسا کاهش بعد(feature conditioning ) امکان پذیر است؟

⭕️جزئیات بیشتر 👇
https://onlinebme.com/feature-conditioning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

تشخیص سارق مسلح با بینایی ماشین و تماس با پلیس👌

@onlinebme

حالا دیگه با کمک هوش مصنوعی خیلی راحت میتونید از روی تصویر تعداد object هارو بشمرید 👌
این چالش خیلی از مصالح فروشها و راننده ها (موقع بارگیری و تحویل بار) ست.

#بینایی_ماشین
@onlinebme