شارژر برق امروزه براي بسياري از مردم رايج است و در حال حاضر بسياري از بانك هاي قدرت معمولا ظرفيت 5000mAh، 8000mAh يا 10000mAh دارند و به نظر مي رسد بسيار خوب است.
به خصوص در دو سال گذشته، شارژر قدرت به نظر مي رسد بيشتر و بيشتر زيبا، ظرفيت بزرگتر از قبل، اما مشكل قديمي هنوز هم وجود دارد - چرا قدرت نمي تواند براي چند بار شارژ پشتيباني؟
در واقع، هر شارژر قدرت نرخ تبديل دارد. ولتاژ بالايي از باتري ليتيوم 4.2V (به طور كلي 3.7V) است و ولتاژ شارژ فقط از ولتاژ بالا تا ولتاژ پايين شارژ مي شود. مهم نيست كه چه نوع باتري ليتيوم از بانك قدرت استفاده مي كند، فقط اگر آن را به 5V افزايش دهد، مي تواند آن را براي تلفن، رايانه هاي شخصي قرص شارژ كند. ظرفيت 10 تا 20 درصد از ظرفيت باتري ليتيوم از 4.2V (3.7V) تا 5V كاهش خواهد يافت.
به طور كلي، فرض بر اين است كه هيچ تلفات وجود ندارد، ظرفيت خروجي = (ولتاژ باطري × ظرفيت باتري) × نرخ تبديل نرخ ولتاژ خروجي.
اما فرض فوق اين وضعيت است كه ظرفيت فرآيند شارژ را از دست نمي دهد. اكنون فرض كنيد كه شارژر قدرت شما داراي نرخ تبديل 92٪ است. با توجه به ظرفيت خروجي = (ولتاژ باتري × ظرفيت باتري) × نرخ تبديل نرخ ولتاژ خروجي، در واقع يك بانك قدرت با ظرفيت 10000mAh، در صورتي كه نرخ تبديل 92٪، قدرت خروجي واقعي كمتر از 7000mAh است. با اين حال، در حال حاضر يك شارژر قدرت با نرخ تبديل 90٪ مي تواند به عنوان بسيار با كيفيت در نظر گرفته شود. حقيقت اين است كه در بازار بانكي قدرتمند قابل حمل، تقريبا هيچ شارژر باتري با نرخ تبديل بالا وجود ندارد. به طور كلي، بانك قدرت نرخ تبديل 60٪ -70٪ خواهد داشت. بنابراين، قدرت خروجي واقعي شارژر گوشي هاي هوشمند بسيار پايين تر از 7000mAH است.
علاوه بر اين، نتايج فوق به تاثير مدار اطراف، كابل و ساير جنبه ها توجه نمي كند. اين عوامل نيز بخشي از قدرت را مصرف مي كنند. آيا اكنون درك مي كنيد؟ ما واقعا نمي توانيم به ظرفيت اعلام شده شارژر اعتقاد داشته باشيم، زيرا قدرت دقيقي نيست كه مي تواند به تلفن هاي ما و ديگر دستگاه هاي الكتريكي وارد شود.
بنابراين، 10000mAh را به عنوان 10000mAh در نظر نگيريد، بهترين وضعيت 70 درصد ظرفيت اعلام شده را در نظر بگيريد. به ذكر اين شارژر قدرت با نرخ تبديل حدود 50٪ نيست.
Power charger.jpg
شارژر WST DP512 را از Shenzhen Wanshuntong Science & Technology Co.، Ltd به عنوان مثال استفاده كنيد. اين محصول نرخ تبديل 65٪ يا بيشتر دارد. اين آمار واقعي است و در اطراف آمار بالا در اين منطقه قرار دارد. بسياري از محصولات ديگر توزيع كنندگان بانك قدرت نميتوانند به اين نرخ تبديل دست يابند.
متلب
قابليت هاي گرافيكي بالايي دارد كه امكانات فراواني از جمله پردازش تصوير و طراحي و تحليل گرافيكي را به سادگي در اختيارتان قرار مي دهد. در برنامه ي امروز به صورت دستي و بدون استفاده از دستورات اختصاصي متلب انيميشني از يك توپ كه در مسير سينوسي حركت مي كند برنامه نويسي مي كنيم.
برنامه از فرمان fill براي ترسيم توپي به رنگ قرمز استفاده مي كند و با تنظيم محدوده ي رسم نمودار با كمك فرمان axis صحنه ي نمايش هميشه ثابت مي ماند .
اما مسئله سرعت بالاي ترسيم گرافيكي در متلب است كه باعث مي شود فيلم هنوز شروع نشده به پايان برسد و شما متوجه آنچه روي داده نشويد . براي غلبه بر اين مشكل از فرمان pause استفاده شده است كه به اندازه ي عددي كه در داخل آن مشخص مي كنيد اجراي برنامه هاي متلب را متوقف مي كند.
استفاده از فرمان pause در مواردي كاربرد دارد كه شما مي خواهيد سرعت اجراي عملياتي را در متلب كاهش دهيد و تغييرات را با دقت بيشتري مورد بررسي قرار دهيد.
متن برنامه :
clc;
clf;
% define a x,y
x=0:.1:2*pi;
y=sin(x);
for n=1:length(y)
%{
hold on
plot(x,y)
%}
% define ball shape
fill(x(n)+.1*cos(x),y(n)+.1*sin(x),'r')
axis([0 2*pi -pi pi])
% wait for 0.1 miliseconds
pause(0.1)
end
ماشين حساب يا اين كه حسابگر يا رايِشگر وسيله‌اي براي انجام محاسبات عددي است . ماشين حساب‌هاي متفاوت كاربردهاي مختلفي دارا هستند . ساده‌ترين آنها فقط محاسبات جمع , تفريق , ضرب و تقسيم را انجام مي دهند . ماشين حساب هاي توسعه يافته تر مي توانند گونه هاي توابع اصلي رياضي را پياده سازي نمايند . ماشين حساب هاي نوين در واقع تلفيقي از ماشين حساب و رايانه مي‌باشند و تجهيزات گسترده تر و پر سرعت تري همچون ترسيم نمودار را در اختيار يوزرها قرار مي دهند .
اولين ماشينهاي آنالوگ در دوران باستان براي محاسبات نجومي استفاده مي شدند كه از آن جمله مي توان به اسطرلاب 100 - 150 سال پيش از به دنيا آمدن مسيح اشاره كرد . در سال 1622 شخصي به نام ويليام اوترد اولين خط كش محاسبه ( Slide Rule ) را ابتكار كرد . ويلهلم شيكارد در سال 1623 دستگاهي به نام ساعت محاسباتي را ساخت كه ميتوان آن را اولين ماشين حساب مكانيكي ناميد . بيست سال بعد از آن هم پاسكال وسيله به نام «پاسكالين» را براي محاسبه ماليات در فرانسه توليدكرد .
پاسكال براي بي نقص كردن فكرش پنجاه مثال مختلف از اين ماشين را ساخت كرد . با ماشيني كه در سال 1642 ساخت , مي‌شد با موفقيت عددهاي چند رقمي را با نيز جمع و تفريق كرد . ديدني است بدانيد كه پاسكال , ماشين حساب را براي ساده و راحت تر كردن عمل ماموران مالياتي كه در آن زمان فعاليت پدرش نيز بود , ساخته بود .
در ماشين حساب پاسكال 6 چرخ دندانه دار نصب شده بود و هر چرخ ده دندانه داشت . هر دندانه نمايشگر يكي از ارقام صفر تا 9 بود . اين چرخها طوري در جوار يكديگر قرار گرفته بودند كه دوران كامل يك چرخ , دوران چرخ‌هاي بعدي به‌اندازه يك دندانه را باعث مي‌شد . علاوه بر اين , چرخها از راست به چپ به ترتيب نماينده مرتبه‌هاي يكان , دهگان , صدگان , . . . عدد بودند . سي سال بعداز پاسكال , يك رياضي دان آلماني به اسم لايبنيتز در تكميل نوآوري پاسكال كوشيد و ماشيني ساخت كرد كه به كمك آن مي‌شد اعمال ضرب و تقسيم را نيز انجام بخشيد و حتي جذر گرفت . ابتكار لايبنيتز بسياري از مشكلات فني ماشين را برطرف كرد و مسير را براي تكامل اين ماشينها بازنمود . با اين وجود , مسئله ماشينهاي اكانت سالها به بوته فراموشي سپرده شد و تنها صاحبان صنايع براي ايجاد و رواج اين ماشينها كوششهايي انجام دادند .
ماشين حساب
سري فوريه، روشي در رياضيات مي‌باشد كه به وسيله آن، هر تابع متناوبي به صورت جمعي از توابع سينوس و كسينوس مي‌تواند نوشته شود. نام اين قضيه به اسم رياضيدان فرانسوي، ژوزف فوريه ثبت شده است. هدف از اين كار، نمايش توابع در دامنه فركانس مي‌باشد.
سري فوريه به شكل‌هاي گوناگون قابل تعريف است، براي راحتي كار فرم ساده زير را در بازه‌ي 0< t < 1 را در نظر بگيريد
و ضرايب سري فوريه را مي توان به اين صورت تعريف كرد
اگر در اين قسمت مشكلي داريد به كتابهاي رياضي مهندسي مراجعه كنيد.
فرض كنيد
براي محاسبه‌ي سري فوريه تنها بايد ضرايب آن را حساب كرد، براي محاسبه هركدام از ضرايب يابدهركدام از انتگرال‌هاي فوق را حساب كنيم. براي نمونه من مقدار an را حساب مي كنم
functiony = anfunc(t)
y = 2*sin(2*pi*t).*sin(2*n*pi*t);
همانطور مي دانيد هركدام از اين ضرايب يك دنباله از اعدادهستند و با توجه به مقدار n مقدار آنها تغيير مي كند. براي محاسبه‌ي تغييرات anfuncبا n از تابع تودرتو (nested function) استفاده ميكنيم.
functionmyfunc
forn = 1:10
an(n) = quad(@anfunc,0,1);
end
an
function y = anfunc(t)
y = 2*sin(2*pi*t).*sin(2*n*pi*t);
end
end
در ادامه كافي است كه ابتدا ديگر ضرايب را حساب كردهو سپس مقدار سري را از جمع كردن آنها محاسبه كنيم.
ماتريس ماشين حساب يك آرايه مستطيلي شكل از اعداد يا عبارات رياضي است كه به صورت سطر و ستون نوشته شده است.
براي مثال
A=[1 2 3 4 5] يك ماتريس 5*1 است..به اين ماتريس ،سطري گفته ميشود.
مولفه هاي يك ماتريس در داخل كروشه نوشته ميشوند []
عناصر ماتريس را ميتوان با كاما يا space از هم جدا كرد
هر 2 روش زير نيز براي نمايش اين ماتريس درست است
A=[1,2,3,4,5]A=[1 2,3 4,5]آموزش فسمت دوم متلب Matlab
ماتريس زير يك ماتريس 3 در 4 است.
A=[1 2 3 4;5 6 7 8;-1 0 1 2]اين ماتريس را به روش زير ميتوان وارد برنامه كرد:
A=[1 2 3 4 ENTER5 6 7 8 ENTER-1 0 1 2] آموزش فسمت دوم متلب Matlab
a=A(2,3)اين دستور عنصر سطر دوم و ستون سوم را براي ما نشان ميدهد
خروجي :
a=7
A(1,2)اين دستور عنصر سطر اول و ستون دوم را براي ما نشان ميدهد
خروجي:
2
دقت كنيد كه در MATLAB, ايندكس بردار و ماتريس هميشه از 1 شروع ميشود
حالا قصد داريم با چند دستور ديگه در مورد ماتريس ها آشنا بشيم
>>A.*hبراي ضرب نقطه اي از دستور بالا استفاده ميكنيم
براي حذف عناصر يك سطر يا يك ستون ميتوان به صورت زير عمل كرد
A(5,:)=[]با اين دستور تمامي عناصر سطر 5 ام از ماتريس حذف خواهند شد
A(:,6)=[] با اين دستور تمامي عناصر ستون 6 ام از ماتريس حذف خواهد شد
براي مثال فرض كنيد ماتريس زير را داشته باشيم
b=[ 1 2 3;7 8 9;11 55 100]
با اعمال دستورات
b(:,1)=[]ستون 1ام حذف ميشود
b(2,:)=[] سطر 2 ام حذف ميشود نتيجه به صورت زير است
براي محاسبه ي معكوس ماتريس و همينطور دترمينان به صورت زير عمل ميكنيم :
معكوس ماتريس a
inv(a)اين دستور فقط براي ماتريس هاي مربع كاربرد دارد .
__________________
محاسبه دترمينان ماتريس
det(a)__________________
ones(3)اين دستور يك ماتريس هماني 3*3 ايجاد ميكند.
ones(3,5)اين دستور يك ماتريس هماني 5*3 ايجاد ميكند.
__________________
Zeros(3);يك ماتريس 3*3 توليد ميكند كه همه درايه هاي آن صفر است
براي انتخاب يك سطر يا يك ستون از ماتريس به صورت زير عمل ميكنيم.
c=a(:,3)b=a(1:3,3)r=a(2,:)e=a(1:2,1:3) حالا اين دستورات را روي ماتريس زير امتحان ميكنيم تا نتيجه اش را ببينيم :
a=[1 2 3 4;5 6 7 8;9 10 11 12]
نتيجه
آموزش فسمت دوم متلب Matlab
ميتوانيم ماتريسي كه از قبل داشتيم راگسترش دهيم و ابعادش آن را تغيير دهيم.
مثلا :
a=[1 2 3,4 5 6]
b=[a,7 8 9]
ماتريسaيك ماتريس سطري است.به وسيله ماتريس b سه عنصر جديد به انتهاي ماتريس a اضافه ميشود.
جمع و تفريق ماتريس ها:
a=[ 1 2 3]
b=[4 5 6]
a+b
a-b
2a+3b
براي انجام اعمال بالا روي دو ماتريس a و b به صورت زير عمل ميكنيم.
دقت كنيد كه براي جمع و تفريق دو ماتريس هر دو بايد هم مرتبه باشند
ماتريس يكاني را ميتوان به صورت زير تعريف كرد:
eye();__________________
eye(3); اين دستور يك ماتريس يكاني ايجاد ميكند كه درايه هاي روي قطر اصلي آن 1 است .
با استفاده از دستور
Size()ميتوان ابعاد ماتريس را مشاهده كرد.براي مثال با اعمال اين دستور بر ماتريس
a=[ 1 2 3 4]
دستور زير مقدار 4 1 را بر ميگرداند كه نشان دهنده است كه ماتريس ما داراي 1 سطر و چهار ستون است
Size(a)ماتريس با عناصر تصادفي
ميتوان ماتريس هايي با عناصر تصادفي توليد كرد..
توابع
rand()
randn()
randperm()
براي ايجاد ماتريس هاي تصادفي به كار ميروند .
براي مثال
rand(5)يك ماتريس مربع 5*5ايجاد ميكنه كه تمامي عناصر آن اعداد تصادفي هستند
randperm(5)يك ماتريس سطري با 5 عنصر ايجاد ميكنه كه تمامي عناصر آن كوچكتر و يا مساوي 5 هستند
آموزش فسمت دوم متلب Matlab
مثال:
ماتريسي توليد كنيد كه شروع آن ،10 باشد و با گام 0.3 تا 14 پيش برود.
اين دستور به صورت زير نوشته ميشود .
a=10:0.3:14خروجي به صورت زير است
با نوشتن دستور
>>a'در ادامه دستور بالا همان اعداد را به صورت ستوني و پشت سر هم مشاهده خواهيد كرد .
10.0000
10.3000
10.6000
10.9000
11.2000
11.5000
11.8000
12.1000
12.4000
12.7000
13.0000
13.3000
13.6000
13.9000
تابع sum
اين تابع عناصر ستون مورد نظر را جمع ميكند.
براي مثال فرض كنيد ماتريس ما به صورت زير باشد
a=[1 2 3;4 5 6;7 8 9]
با اعمال تابع فوق داريم:
>> a=[1 2 3;4 5 6;7 8 9];» s=sum(a)
s =
12 15 18>>فكر كنم براي اين جلسه كافي باشه.
پاور بانك شيائومي
شارژ كردن با كابل معمولا سريع تر انجام مي شود و اين تنها مزيتي است كه نسبت به شارژ بي سيم دارد. شارژ بي سيم بسيار راحت است و اگر اين كار را درست انجام دهيد ديگر نياز نيست كه دستگاه خود را به برق وصل كنيد. مي توانيد گوشي خود را تمام شب روي صفحه ي شارژر بگذاريد و شاهد طول عمر باتري در طول روز باشيد. اگر مايليد كه براي گوشي گلكسي نوت 5 ( Samsung Galaxy note5) خود شارژر بي سيم انتخاب كنيد، اطلاعات زير را از دست ندهيد.
Samsung Qi Wireless Charging Pad يكي از بهترين شارژر هاي بي سيم است كه قادر است Galaxy note5 شما را 1.4 بار سريع تر شارژ كند. به اين صورت كه شارژ صفر تا صد در صد دستگاه را تا 50 دقيقه نسبت به شارژر بي سيم معمولي كاهش مي دهد.
گرچه Qi Wireless Charging Station قادر به شارژ سريع نيست، ولي اگر مي توانيد 50 دقيقه ي ديگر نيز منتظر بمانيد اين شارژر گزينه ي مناسبي براي شما خواهد بود.
Samsung Qi Wireless Charging Pad
اين شارژر كه Wood puck FAST Bamboo نام دارد، تركيب زيبايي از طبيعت و تكنولوژي است. همچنين 40 درصد سرعت شارژ را افزايش مي دهد.
Anker ممكن است نام تجاري معروفي نباشد اما شارژر هاي مناسبي را وارد بازار كرده است. Anker Wireless charger داراي پد شارژ براق، مجزا، و هوشمند است و سنسور كنترل حرارتي آن سلامت دستگاه شما را تضمين مي كند. اين شارژر گوشي شما را بيش از ظرفيت شارژ نمي كند و از هدر رفتن انرژي جلوگيري مي كند.
RAVPower شارژر بي سيمي را به فروش گذاشته كه داراي باتري 5,000 mAh است، به اين معني كه مي توانيد در صورت نياز آن را از برق جدا كنيد و هرجا كه بوديد گوشي خود را روي شارژر بي سيم بگذاريد. در اين بسته يك باتري قابل حمل و يك شارژر بي سيم موجود است.
متلب يك محيط (interpret) است به عبارت ديگر متلب دستور نوشته شده را بلا فاصله اجرا مي كند. ماشين حساب
به محيطي گفته مي شود كه دستورات خط به خط اجرا مي شوند.)Interpret(محيط
تمرين هاي دست گرمي
يك عبارت معتبر را تايپ مي كنيم، مانند
5 + 5
و دكمه اينتر را فشار دهيد.
وقتي شما دكمه اجرا را فشار مي دهيد يا عبارت Ctrl+E تايپ مي كنيد، متلب سريع اجرا مي كند و نتيجه را بر مي گرداند.
ans = 10مثال
3 ^ 2 % 3 به توان 2 وقتي شما دكمه اجرا را فشار مي دهيد يا عبارت Ctrl+E تايپ مي كنيد، متلب سريع اجرا مي كند و نتيجه را بر مي گرداند.
ans = 9مثال
sin(pi /2) % 90o زاويهsine وقتي شما دكمه اجرا را فشار مي دهيد يا عبارت Ctrl+E تايپ مي كنيد، متلب سريع اجرا مي كند و نتيجه را بر مي گرداند.
ans = 1مثال
7/0 % تقسيم بر صفر وقتي شما دكمه اجرا را فشار مي دهيد يا عبارت Ctrl+E تايپ مي كنيد، متلب سريع اجرا مي كند و نتيجه را بر مي گرداند.
ans = Infwarning: division by zeroمثال
732 * 20.3 وقتي شما دكمه اجرا را فشار مي دهيد يا عبارت Ctrl+E تايپ مي كنيد، متلب سريع اجرا مي كند و نتيجه را بر مي گرداند.
ans = 1.4860e+04متلب اصطلاحات ويژه اي رو براي نماد هاي رياضي به كار مي برد، مانند pi براي π و inf براي ∞، i و j براي √-1 و Nan براي عبارت 'not a number' و غيره.
استفاده از سميكولن (;) در متلب
(;) در انتهاي هر گزاره قرار مي گيرد. اگر مي خواهيد خروجي هاي دستور متلب را پنهان كنيد، مي توانيد در پايان دستور از (;) استفاده كنيد.
مثال
x = 3;y = x + 5وقتي شما دكمه اجرا را فشار مي دهيد يا عبارت Ctrl+E تايپ مي كنيد، متلب سريع اجرا مي كند و نتيجه را بر مي گرداند.
y = 8اضافه كردن Commentبا نماد درصد (%) مي توانيم يك خط Comment بنويسيم. به عنوان مثال
x = 9 % assign the value 9 to xهمچنين مي توانيم ليستي از Comment با استفاده از (%) و درصد ها.
ويرايشگر متلب شامل ابزار و آيتم هاي منو براي كمك به اضافه كردن، جابجا كردن و تغيير دادن فرمت Comment مي باشد.
عملگر هاي معمول پر كاربرد كاراكتر هاي ويژه
Operator
Purpose
+
Plus; عملگر اضافه كردن
-
Minus; عملگر تفريق
*
عملگر ضرب ماتريس و اسكالر
.*
عملگر ضرب آرايه ها
^
عملگر به توان رساندن ماتريس و اسكالر
.^
عملگر به توان رساندن آرايه ها
عملگر تقسيم چپ
/
عملگر تقسيم راست
.
عملگر تقسيم چپ آرايه ها
./
عملگر تقسيم راست آرايه ها
:
Colon; توليد عناصر با فاصله منظم و نشان دهنده يك سطر يا ستون
( )
پرانتز; براي محصور كردن آرگومان هاي تابع و شاخص هاي آرايه; لغو مقدم
[ ]
براكت ها; عناصر و آرايه ها
.
نقطه اعشار
…
حذف; عملگر ادامه دستور در خط بعد
,
كاما; جدا كننده گزاره ها و عناصر در يك سطر
;
سميكلون; جدا كننده ستون ها و اجرا نشدن دستور
%
علامت درصد;و فرمت هاي خاص comment نوشتن يك
_
عملگر ترانهاده و علامت كوتيشن
._
عملگر ترانهاده غير مزدوج
=
عملگر تخصيص
ثابت ها و متغير هاي ويژه
جدول ثابت ها و متغير هاي ويژه در متلب به صورت زير مي باشد.
Name
Meaning
ans
پاسخ نهايي دستور
eps
دقت اعداد مميز شناور
i,j
√-1نشانه عدد موهومي يعني
Inf
بينهايت
NaN
نتيجه عدد تعريف نشده (not a number)
pi
πعدد
نامگذاري متغير ها
نام هاي متغير شامل حروف، اعداد و حروف، ارقام مي باشد. متلب به حروف كوچك و بزرگ حساس است.
نام هاي متغير ها از هر طولي مي توانند باشند گرچه متلب فقط از N حرف اول استفاده مي كند و N، namelengthmax تابع مي باشد.
ذخيره كردن كار
دستور save براي ذخيره كردن تمام متغير ها در workspace با پسوند .mat در كتابخانه current به كار مي رود. به عنوان مثال
save myfileفايل را در هر زمان با استفاده از دستور load مي توانيم بارگذاري دوباره كنيم.
ماشين حساب
ايتدا قبل از اين كه بخواهيم در مورد اين نرم افزار توضيح دهيم ، به حوزه ي مورد استفاده ي آن اشاره اي مي كنيم و در مورد داده كاوي در اين نرم افزار توضيح مي دهيم.
داده كاوي يا ديتاماينينگ ، در هسته ي خود ، به معني تبديل مقدار زيادي از داده به قسمت هاي معني دار و با قواعد را مي گويند. به عبارت ديگر ، مي تواند به دو قسمت تقسيم بندي شود:
به شكل مستقيم و به شكل غير مستقيم . در داده كاوي به شكل مستقيم شما قصد داريد كه يك مقدار داده هاي يك نقطه ي مشخصي را پيش بيني كنيد .
مانند پيش بيني رشد قيمت خانه و پيش بيني براي خريد در زماني مشخص
در شكل غير مستقيم ، شما تعدادي گروه داده ايجاد مي كنيد يا تعدادي الگو در داده هاي موجود پيدا كنيد .
داده كاوي صرفا در حوزه شركت هاي بزرگ و نرم افزار هاي گران قيمت نيست . در واقع يك نوع نرم افزار وجود دارد كه بتواند تقريبا همه ي همان چيزهايي كه نرم افزار هاي گران انجام مي دهند ، انجام دهد . آن نرم افزار همان وكا است. وكا محصول و ساخته شده ي دانشگاه وايكاتو در نيوزلند است و در ابتدا در سال ۱۹۹۷ طراحي و توسعه داده شد.
وكا از الگوريتم هاي زيادي برخوردار است كه مي توان به شكل زيربه آنها اشاره كرد :
طبقه بندي : درخت تصميم ، نزديك ترين نقطه ها ،الگوريتم كوتاه ترين مسير ، بيز ساده
پيش بيني كردن : رگرسيون خطي و غير خطي ، الگوريتم ادراكي
روش هاي متا : الگوريتم كيسه ، الگوريتم افزايش
اين روش ها در قسمت هاي يادگيري ماشين با نظارت و بدون نطارت و همچنين تقويتي و خود تكميلي تقسيم مي شوند.
الگوريتم هاي زيادي در اين نرم افزار وجود دارند كه به اختصار به تعدادي از انها اشاره كرديم .
البته در مورد الگوريتم هاي ناشناخته تر ديگر نيز وكا يك باكسي فراهم كرده تا اطلاعات اوليه اي براي اشنايي با آن به شما بدهد اينگونه بتوانيد حداقل اطلاعات راجع به آن الگوريتم را داشته باشيد .
ﻭﮐﺎ ﺷﺎﻣﻞ ﻣﺠﻤﻮﻋﻪ ﺍﯼ ﺍﺯ ﺍﺑﺰﺍﺭ ﻫﺎﯼ ﺩﻳﺪﺍﺭﯼ ﺳﺎﺯﯼ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﻳﯽ ﺑﺮﺍﯼ ﺁﻧﺎﻟﻴﺰ ﻭ ﺑﺮﺭﺳﯽ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﭘﻴﺶ ﺑﻴﻨﯽ ﺁﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺭﺍﺑﻂ ﮐﺎﺭﺑﺮﯼ ﮔﺮﺍﻓﻴﮑﯽ ﺁﻥ ﮐﺎﺭ ﺑﺮﺍﯼ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﺍﻳﻦ ﺗﻮﺍﺑﻊ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﺭﺍ ﺁﺳﺎﻥ ﺗﺮ ﮐﺮﺩﻩ ﺍﺳﺖ. ﺩﺭ ﻣﺪﻝ ﻫﺎﯼ ﻗﺒﻠﯽ ﻭﮐﺎ ﺑﻪ ﺯﺑﺎﻥ ﻫﺎﯼ ﺩﻳﮕﺮ ﭘﻴﺎﺩﻩ ﺳﺎﺯﯼ ﺷﺪﻩ ﺑﻮﺩ ﻭ ﺍﺯ ﺍﻳﻦ ﺭﺍﺑﻂ ﮐﺎﺭﺑﺮﯼ ﺑﺮﺧﻮﺭﺩﺍﺭ ﻧﺒﻮﺩ. ﺁﺧﺮﻳﻦ ﻭﺭﮊﻥ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻭﺭﮊﻥ ۳ ﺁﻥ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺷﺎﻣﻞ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻳﺎﺩﮔﻴﺮﯼ ﻣﺎﺷﻴﻦ ﺯﻳﺎﺩﯼ ﻣﯽ ﺑﺎﺷﺪ .
ﺑﺮﺍﯼ ﻓﺎﻳﺪﻩ ﻫﺎﯼ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻣﯽ ﺗﻮﺍﻥ ﺭﺍﻳﮕﺎﻥ ﺑﻮﺩﻥ ﺁﻥ ﺭﺍ ﻧﺎﻡ ﺑﺮﺩ ﻭ ﺍﻳﻦ ﮐﻪ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻭﺍﺑﺴﺘﻪ ﺑﻪ ﭘﻠﺘﻔﺮﻡ ﺧﺎﺻﯽ ﻧﻴﺴﺖ ﻭ ﺑﺮ ﺭﻭﯼ ﺗﻤﺎﻡ ﭘﻠﺘﻔﺮﻡ ﻫﺎﯼ ﻣﺤﺎﺳﺒﺎﺗﯽ ﮐﻪ ﺟﺎﻭﺍ ﺩﺍﺷﺘﻪ ﺑﺎﺷﻨﺪ ﻗﺎﺑﻞ ﻧﺼﺐ ﻣﯽ ﺑﺎﺷﺪ.
ﻭﮐﺎ ﺍﺯ ﺍﺳﺘﺎﻧﺪﺍﺭﺩ ﻫﺎﯼ ﺯﻳﺎﺩﯼ ﺑﺮﺍﯼ ﺩﺍﺩﻩ ﮐﺎﻭﯼ ﺑﻪ ﺧﺼﻮﺹ پردازش كزدن ، كلاستر بندي ، طبقه بندي و رگرسيون برخوردار مي باشد. ﺑﺮﺧﻮﺭﺩﺍﺭﯼ ﺍﺯ ﺍﻳﻦ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻓﺎﻳﻞ ﻫﺎﯼ ﺩﺍﺩﻩ ﻫﺎ ﺍﻣﮑﺎﻥ ﭘﺬﻳﺮ ﻣﯽ ﺑﺎﺷﺪ . ﻭﮐﺎ ﺍﻣﮑﺎﻥ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﻫﺎﯼ ﭘﻴﺎﺩﻩ ﺷﺪﻩ ﺑﺎ ﺯﻳﺎﻥ ﺍﺳﮑﻴﻮﻝ ﺭﺍ ﻧﻴﺰ ﻓﺮﺍﻫﻢ ﻣﯽ ﮐﻨﺪ ﻭ ﻣﯽ ﺗﻮﺍﻧﺪ ﻧﺘﺎﻳﺞ ﻣﻮﺭﺩ ﻧﻈﺮ ﺭﺍ ﺩﺭ ﻗﺎﻟﺐ ﻳﮏ ﭘﺮﺱ ﻭ ﺟﻮ ﺑﺎ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﻓﺮﺍﻫﻢ ﮐﻨﺪ.
رابط كاربري اصلي وكا ، اكسئلورر مي باشد اما از قسمت هاي ديگر نيز امكان دسترسي به توابع موجود مي باشد. قسمت هاي ديگر نرم افزار شامل يك آزمايشگر ، ﻳﮏ ﮔﺮﺍﻑ ﮐﻨﺘﺮﻝ ﺟﺮﻳﺎﻥ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﻳﮏ ﺧﻂ ﻓﺮﻣﺎﻥ ﺳﺎﺩﻩ ﻣﯽ ﺑﺎﺷﺪ .
ﻗﺴﻤﺖ ﺍﮐﺴﭙﻠﻮﺭﺭ ﺩﺭ ﻭﮐﺎ ﭼﻨﺪ ﭘﻨﻞ ﺑﺮﺍﯼ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﻭ ﻭﻳﮋﮔﯽ ﻫﺎ ﻓﺮﺍﻫﻢ ﮐﺮﺩﻩ ﺍﺳﺖ .
۱ – ﭘﻴﺶ ﭘﺮﺩﺍﺯﺵ : ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﻣﮑﺎﻥ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎ ﺑﻪ ﺷﮑﻞ ﻓﺎﻳﻞ ﻭﺭﻭﺩﯼ ARFF ،csv ﻳﺎ ﺍﺭﺗﺒﺎﻁ ﺑﺎ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺍﺳﺖ .
۲ – ﻃﺒﻘﻪ ﺑﻨﺪﯼ : ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﻣﮑﺎﻥ ﺍﺿﺎﻓﻪ ﮐﺮﺩﻥ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻃﺒﻘﻪ ﺑﻨﺪﯼ ﻳﺎ ﺭﮔﺮﺳﻴﻮﻥ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺗﺎ ﮐﺎﺭﺑﺮ ﺑﻪ ﺳﺎﺩﮔﯽ ﺑﺘﻮﺍﻧﺪ ﺍﺯ ﺗﻌﺪﺍﺩ ﺯﻳﺎﺩﯼ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻣﺮﺑﻮﻃﻪ ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ ROC ، ﺩﺭﺧﺖ ﺗﺼﻤﻴﻢ ﻭ … ﺍﺳﺘﻔﺎﺩﻩ ﮐﻨﺪ.
۳ – ﻭﺍﺑﺴﺘﮕﯽ : ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﻳﮏ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﺑﺨﺶ ﻗﻮﺍﻧﻴﻦ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺗﺎ ﺍﺭﺗﺒﺎﻁ ﻣﻴﺎﻥ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﻗﻮﺍﻧﻴﻦ ﺩﻳﺪﻩ ﺷﻮﺩ.
۴ – ﮐﻼﺳﺘﺮ : ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﻣﮑﺎﻥ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗﮑﻨﻴﮏ ﻫﺎﯼ ﮐﻼﺳﺘﺮﻳﻨﮓ ﺭﺍ ﺑﺮﺍﯼ ﻣﺎ ﻓﺮﺍﻫﻢ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﻣﯽ ﺗﻮﺍﻥ ﺑﻪ ﺍﻟﮕﻮﺭﻳﺘﻢ k-means ﺍﺷﺎﺭﻩ ﮐﺮﺩ. ﻫﻤﭽﻨﻴﻦ ﺩﺭ ﺍﻳﻦ ﺑﺨﺶ ﭘﻴﺎﺩﻩ ﺳﺎﺯﯼ ﻫﺎﯼ ﺩﻳﮕﺮﯼ ﺑﺮﺍﯼ ﺗﻮﺯﻳﻊ ﻫﺎﯼ ﻧﺮﻣﺎﻝ ﻧﻴﺰ ﻭﺟﻮﺩ ﺩﺍﺭﺩ.
۵ – ﻧﻤﺎﺩﻳﻨﻪ ﺳﺎﺯﯼ : ﺩﺭ ﺍﻳﻦ ﺑﺨﺶ ﻣﯽ ﺗﻮﺍﻥ ﻧﺘﻴﺠﻪ ﯼ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﺑﺮ ﺭﻭﯼ ﺩﺍﺩﻩ ﻫﺎ ﺭﺍ ﺑﻪ ﺷﮑﻞ ﭘﻼﺕ ﻭ ﻧﻤﻮﺩﺍﺭ ﻣﺸﺎﻫﺪ ﮐﺮﺩ.
ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻭﮐﺎ
ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﺑﺘﺪﺍ ﺑﻪ ﺗﻮﺿﻴﺢ ﺍﻟﮕﻮﺭﻳﺘﻢ ﺭﮔﺮﺳﻴﻮﻥ ﻭ ﮐﺎﺭﺑﺮﺩ ﺁﻥ ﺩﺭ ﻭﮐﺎ ﻣﯽ ﭘﺮﺩﺍﺯﻳﻢ :
ﺭﮔﺮﺳﻴﻮﻥ ﻳﮑﯽ ﺍﺯ ﺳﺎﺩﻩ ﺗﺮﻳﻦ ﺭﻭﺵ ﻫﺎ ﺑﺮﺍﯼ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺭ ﻭﮐﺎ ﺍﺳﺖ ﺍﻣﺎ ﺑﻪ ﺗﻨﺎﺳﺐ ﺍﺯ ﻗﺪﺭﺕ ﮐﻤﺘﺮﯼ ﻧﻴﺰ ﺑﺮﺧﻮﺭﺩﺍﺭ ﺍﺳﺖ . ﺍﻳﻦ ﻣﺪﻝ ﺑﻪ ﺳﺎﺩﮔﯽ ﺍﻳﻦ ﺍﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮﺍﻧﺪ ﻳﮏ ﻭﺭﻭﺩﯼ ﺑﮕﻴﺮﺩ ﻭ ﻳﮏ ﺧﺮﻭﺟﯽ ﺑﺪﻫﺪ . ﺍﻟﺒﺘﻪ ﻣﻘﺎﺩﻳﺮ ﭘﻴﭽﻴﺪﻩ ﺗﺮﯼ ﺍﺯ ﺍﻳﻦ ﻧﻴﺰ ﻣﯽ ﺗﻮﺍﻧﺪ ﺩﺭﻳﺎﻓﺖ ﮐﻨﺪ ﻭ ﺧﺮﻭﺟﯽ ﻫﺎﯼ ﻣﺘﻨﺎﺳﺒﯽ ﺑﺎ ﺁﻥ ﻧﻴﺰ ﺑﺪﻫﺪ.
ﺑﻪ ﺑﻴﺎﻧﯽ ﺩﻳﮕﺮ ﻣﯽ ﺗﻮﺍﻥ ﮔﻔﺖ ﮐﻪ ﺭﮔﺮﺳﻴﻮﻥ ﺣﻮﻝ ﺩﺍﺩﻩ ﻫﺎﻳﯽ ﺑﺎ ﻳﮏ ﻧﻮﻉ ﺍﻋﻤﺎﻝ ﻣﯽ ﺷﻮﻧﺪ. ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﻳﮏ ﺳﺮﯼ ﻣﺘﻐﻴﺮ ﻫﺎﯼ ﻣﺴﺘﻘﻞ ﻭﺟﻮﺩ ﺩﺍﺭﻧﺪ ﮐﻪ ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺑﺎ ﻫﻢ ﻣﺘﺼﻞ ﻣﯽ ﺷﻮﻧﺪ ﻳﮏ ﻧﺘﻴﺠﻪ ﻭﺍﺑﺴﺘﻪ ﺑﻪ ﻫﻢ ﺭﺍ ﻣﯽ ﺳﺎﺯﻧﺪ.
ﻫﻤﭽﻨﻴﻦ ﺍﺯ ﺭﮔﺮﺳﻴﻮﻥ ﺑﺮﺍﯼ ﭘﻴﺶ ﺑﻴﻨﯽ ﮐﺮﺩﻥ ﻧﺘﻴﺠﻪ ﺍﺯ ﻳﮏ ﺳﺮﯼ ﻣﺘﻐﻴﺮ ﻫﺎﯼ ﻣﺴﺘﻘﻞ ﻧﺎﺷﻨﺎﺧﺘﻪ ﻧﻴﺰ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽ ﺷﻮﺩ. ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﻣﯽ ﺗﻮﺍﻥ ﺑﻪ ﺭﻭﺵ ﭘﻴﺶ ﺑﻴﻨﯽ ﻗﻴﻤﺖ ﺧﺎﻧﻪ ﺑﺎ ﺭﮔﺮﺳﻴﻮﻥ ﺍﺷﺎﺭﻩ ﮐﺮﺩ.
ﺣﺎﻝ ﺑﻪ ﻧﺤﻮﻩ ﯼ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭﮔﺮﺳﻴﻮﻥ ﺩﺭ ﻭﮐﺎ ﻣﯽ ﭘﺮﺩﺍﺯﻳﻢ:
ﺍﺑﺘﺪﺍ ﻳﮏ ﻓﺎﻳﻞ ﺩﺍﺩﻩ ﺑﺎ ﻓﺮﻣﺖ ARFF ﺭﺍ ﺑﺎﺭﮔﺬﺍﺭﯼ ﻣﯽ ﮐﻨﻴﻢ . ﺩﺭ ﺻﻮﺭﺕ ﻣﻮﺟﻮﺩ ﻧﺒﻮﺩﻥ ﻣﯽ ﺗﻮﺍﻧﻴﻢ ﻳﮏ ﻓﺎﻳﻞ ﻧﻤﻮﻧﻪ ﺍﻳﺠﺎﺩ ﮐﻨﻴﻢ . ﺩﺭ ﺻﻔﺤﻪ ﯼ ﺑﻌﺪ ﻧﻤﻮﻧﻪ ﺍﯼ ﺍﺯ ﻳﮏ ﻓﺎﻳﻞ ﺩﺍﺩﻩ ﻣﺨﺼﻮﺹ ﻭﮐﺎ ﺁﻣﺪﻩ ﺍﺳﺖ .
RELATION house@
@ATTRIBUTE houseSize NUMERIC
@ATTRIBUTE lotSize NUMERIC
@ATTRIBUTE bedrooms NUMERIC
@ATTRIBUTE granite NUMERIC
@ATTRIBUTE bathroom NUMERIC
@ATTRIBUTE sellingPrice NUMERIC
@DATA
۳۵۲۹,۹۱۹۱,۶,۰,۰,۲۰۵۰۰۰
۳۲۴۷,۱۰۰۶۱,۵,۱,۱,۲۲۴۹۰۰
۴۰۳۲,۱۰۱۵۰,۵,۰,۱,۱۹۷۹۰۰
۲۳۹۷,۱۴۱۵۶,۴,۱,۰,۱۸۹۹۰۰
۲۲۰۰,۹۶۰۰,۴,۰,۱,۱۹۵۰۰۰
۳۵۳۶,۱۹۹۹۴,۶,۱,۱,۳۲۵۰۰۰
۲۹۸۳,۹۳۶۵,۵,۰,۱,۲۳۰۰۰۰
ﺍﻳﻦ ﻧﻤﻮﻧﻪ ﻓﺎﻳﻞ ﻧﻤﻮﻧﻪ ﺑﺮﺍﯼ ﭘﻴﺶ ﺑﻴﻨﯽ ﻗﻴﻤﺖ ﺧﺎﻧﻪ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺗﺸﮑﻴﻞ ﺷﺪﻩ ﺍﺯ ﺳﻪ ﻗﺴﻤﺖ ﺍﺻﻠﯽ ﺑﻪ ﻧﺎﻡ ﺭﺍﺑﻄﻪ ، ﻭﻳﮋﮔﯽ ﻭ ﺩﺍﺩﻩ ﻣﯽ ﺑﺎﺷﺪ.ﻓﺎﻳﻞ ﻣﺮﺑﻮﻃﻪ ﺭﺍ ﺍﺯ ﭘﻨﻞ ﺑﺎﺯ ﮐﺮﺩﻥ ﻓﺎﻳﻞ ﺟﺪﻳﺪ ﺩﺭ ﻭﮐﺎ ﺑﺎﺭﮔﺬﺍﺭﯼ ﻣﻴﮑﻨﻴﻢ.
ﺣﺎﻝ ﻗﺼﺪ ﺩﺍﺭﻳﻢ ﻳﮏ ﻣﺪﻝ ﺟﺪﻳﺪ ﺭﮔﺮﺳﻴﻮﻥ ﺑﺴﺎﺯﻳﻢ . ﺑﺮﺍﯼ ﺍﻳﻦ ﮐﺎﺭ ﺩﺭ ﻧﻮﺍﺭ ﺑﺎﻻ ﮔﺰﻳﻨﻪ ﯼ classify ﺭﺍ ﮐﻠﻴﮏ ﻣﯽ ﮐﻨﻴﻢ . ﺣﺎﻝ ﺑﺎﻳﺪ ﻳﮏ ﺗﺎﺑﻊ ﺍﻧﺘﺨﺎﺏ ﮐﻨﻴﻢ . ﺗﺎﺑﻊ Linear Regression ﻳﺎ ﻫﻤﺎﻥ ﺭﮔﺮﺳﻴﻮﻥ ﺧﻄﯽ ﺭﺍ ﺍﻧﺘﺨﺎﺏ ﻣﯽ ﮐﻨﻴﻢ.
ﺣﺎﻝ ﺑﺮﺍﯼ ﺗﺴﺖ ﮔﺮﻓﺘﻦ ﺍﺯ ﻓﺎﻳﻞ ﺑﺎ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻣﻮﺭﺩ ﻧﻈﺮ ، ﮔﺰﻳﻨﻪ ﻫﺎﻳﯽ ﺩﺭ ﭘﻴﺶ ﺭﻭ ﺩﺍﺭﻳﻢ ﮐﻪ ﺑﻪ ﻣﺎ ﺍﺟﺎﺯﻩ ﻣﻴﺪﻫﺪ ﺗﺎ ﺩﺳﺘﻪ ﺑﻨﺪﯼ ﻫﺎ ﻭ ﻣﺪﻝ ﺍﻧﺠﺎﻡ ﺷﺪﻥ ﺍﻟﮕﻮﺭﻳﺘﻢ ﺭﺍ ﺗﻐﻴﻴﺮ ﺑﺪﻫﻴﻢ ﻣﺜﻼ cross-validation ﺍﺟﺎﺯﻩ ﻣﯽ ﺩﻫﺪ ﺗﺎ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﻫﺎﯼ ﮐﻮﭼﮑﺘﺮﯼ ﮐﺎﺭ ﺭﺍ ﺗﻘﺴﻴﻢ ﮐﻨﺪ ﻭ ﺩﺭ ﺁﺧﺮ ﺍﺯ ﻫﻤﻪ ﯼ ﺁﻧﻬﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺑﮕﻴﺮﺩ ﻭ ﻳﺎ ﻣﺜﻼ Percentage split ﺍﻳﻦ ﺍﻣﮑﺎﻥ ﺭﺍ ﺑﻪ ﻣﺎ ﻣﯽ ﺩﻫﺪ ﮐﻪ ﺩﺭﺻﺪﯼ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎ ﺭﺍﺑﮕﻴﺮﺩ ﺗﺎ ﺑﺘﻮﺍﻧﻴﻢ ﻣﺪﻝ ﻧﻬﺎﻳﯽ ﺭﺍ ﺑﺴﺎﺯﻳﻢ. ﻣﺎ ﺩﺭ ﺍﻳﻦ ﺟﺎ ﻣﺪﻝ ﺗﻤﺮﻳﻨﯽ ﺭﺍ ﺍﻧﺘﺨﺎﺏ ﻣﯽ ﮐﻨﻴﻢ.
ﺩﺭ ﻧﻬﺎﻳﺖ ﺳﺘﻮﻧﯽ ﮐﻪ ﻣﺎ ﻣﯽ ﺧﻮﺍﻫﻴﻢ ﭘﻴﺶ ﺑﻴﻨﯽ ﮐﻨﻴﻢ ﺭﺍ ﺑﺎﻳﺪ ﺍﻧﺘﺨﺎﺏ ﮐﻨﻴﻢ ﮐﻪ ﻃﺒﻴﻌﺘﺎ ﺑﺎﻳﺪ ﻗﻴﻤﺖ ﺧﺎﻧﻪ ﺑﺎﺷﺪ.
ﮐﻠﻴﺪ ﺍﺳﺘﺎﺭﺕ ﺭﺍ ﻣﯽ ﺯﻧﻴﻢ ﻭ ﻧﺘﻴﺠﻪ ﺭﺍ ﺩﺭ ﺻﻔﺤﻪ ﻣﯽ ﺑﻴﻨﻴﻢ.
ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﻗﺼﺪ ﺩﺍﺭﻳﻢ ﺗﺎ ﻣﺨﺘﺼﺮﯼ ﺩﺭ ﻣﻮﺭﺩ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻃﺒﻘﻪ ﺑﻨﺪﯼ ﻭ ﮐﻼﺳﺘﺮﻳﻨﮓ ﻭ ﻫﻤﭽﻨﻴﻦ ﻧﺤﻮﻩ ﺍﺳﺘﻔﺎﺩﻩ ﺁﻧﻬﺎ ﺩﺭ ﻭﮐﺎ ﺭﺍ ﺗﻮﺿﻴﺢ ﺩﻫﻴﻢ .
ﻃﺒﻘﻪ ﺑﻨﺪﯼ ﻳﺎ ﻫﻤﺎﻥ ﮐﻼﺳﻴﻔﻴﮑﻴﺸﻦ ﺑﻪ ﻧﺎﻡ ﺩﻳﮕﺮ ﺩﺭﺧﺖ ﻃﺒﻘﻪ ﺑﻨﺪﯼ ﻳﺎ ﺩﺭﺧﺖ ﺗﺼﻤﻴﻢ ﻧﻴﺰ ﻣﺸﻬﻮﺭ ﺍﺳﺖ ﮐﻪ ﻳﮏ ﺍﻟﮕﻮﺭﻳﺘﻢ ﺩﺍﺩﻩ ﮐﺎﻭﯼ ﺍﺳﺖ ﮐﻪ ﻣﺮﺣﻠﻪ ﺑﻪ ﻣﺮﺟﻠﻪ ﺑﺮﺍﯼ ﺭﺳﻴﺪﻥ ﺑﻪ ﺧﺮﻭﺟﯽ ﺩﺍﺩﻩ ﻫﺎﯼ ﻣﺮﺑﻮﻁ ﺍﻋﻤﺎﻝ ﻣﯽ ﺷﻮﺩ.
ﺩﺭ ﺍﻳﻦ ﺩﺭﺧﺖ ﻫﺮ ﻧﻘﻄﻪ ﻳﮏ ﺗﺼﻤﻴﻤﯽ ﺭﺍ ﻧﺸﺎﻥ ﻣﯽ ﺩﻫﺪ ﮐﻪ ﺑﺮﺍﺳﺎﺱ ﻭﺭﻭﺩﯼ ﺑﺎﻳﺪ ﺍﻳﺠﺎﺩ ﺷﻮﺩ ﺗﺎﺟﺎﻳﯽ ﮐﻪ ﺑﻪ ﺁﺧﺮﻳﻦ ﺑﺮﮒ ﺩﺭﺧﺖ ﺑﺮﺳﺪ ﻭ ﻳﮏ ﺭﻭﺵ ﭘﻴﺶ ﺑﻴﻨﯽ ﺷﻮﺩ. ﻣﺜﺎﻝ ﺳﺎﺩﻩ ﯼ ﺻﻔﺤﻪ ﯼ ﺑﻌﺪ ﻧﺸﺎﻥ ﺩﻫﻨﺪﻩ ﯼ ﺍﻳﻦ ﻣﻮﺿﻮﻉ ﺍﺳﺖ :
?Will You Read This Section
/
oN Yes
/
[Will You Understand It?] [Won’t Learn It]
/
oN Yes
/
Will Learn It Won’t Learn It
ﺍﻳﻦ ﺩﺭﺧﺖ ﺗﺼﻤﻴﻢ ﮔﻴﺮﯼ ﺳﺎﺩﻩ ﺑﻪ ﺷﻤﺎ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ ﺗﺎ ﺑﺘﻮﺍﻧﻴﺪ ﺗﺼﻤﻴﻢ ﮔﻴﺮﯼ ﺩﺭﺳﺖ ﺭﺍ ﺍﻧﺠﺎﻡ ﺩﻫﻴﺪ. ﻣﻌﻤﻮﻻ ﻧﻘﻄﻪ ﯼ ﺗﺼﻤﻴﻢ ﮔﻴﺮﯼ ﺑﺎ ﻳﮏ ﻣﺴﺘﻄﻴﻞ ﻧﺸﺎﻥ ﺩﺍﺩﻩ ﻣﯽ ﺷﻮﺩ ﻭ ﻧﻘﺎﻁ ﭘﺎﻳﺎﻧﯽ ﻧﻴﺰ ﺑﺎ ﻣﺜﻠﺚ ﻧﺸﺎﻥ ﺩﺍﺩﻩ ﻣﯽ ﺷﻮﺩ. ﻧﻘﺎﻁ ﻣﻴﺎﻧﯽ ﺗﺼﻤﻴﻢ ﮔﻴﺮﯼ ﻣﻴﺰ ﻣﻌﻤﻮﻻ ﺑﺎ ﺩﺍﻳﺮﻩ ﻧﺸﺎﻥ ﺩﺍﺩﻩ ﻣﯽ ﺷﻮﻧﺪ.
ﺣﺎﻝ ﺑﻪ ﺑﺮﺭﺳﯽ ﻣﺜﺎﻝ ﺩﺭ ﻭﮐﺎ ﻣﯽ ﭘﺮﺩﺍﺯﻳﻢ.
ﺍﺯ ﭘﻨﻞ ﺑﺎﻻ ﮔﺰﻳﻨﻪ ﯼ ﮐﻠﺴﻴﻔﺎﯼ ﺭﺍ ﺍﻧﺘﺨﺎﺏ ﻣﯽ ﮐﻨﻴﻢ . ﺍﻟﮕﻮﺭﻳﺘﻢ ﺩﺭﺧﺖ ﺗﺼﻤﻴﻢ ﺭﺍ ﺍﻧﺘﺨﺎﺏ ﻣﯽ ﮐﻨﻴﻢ . ﻫﻤﺎﻧﻨﺪ ﺭﮔﺮﺳﻴﻮﻥ ﻳﮏ ﻓﺎﻳﻞ ﻧﺘﻴﺠﻪ ﻧﺸﺎﻥ ﻣﯽ ﺩﻫﺪ ﻭ ﺑﻴﺎﻥ ﮔﺮ ﭘﻴﺶ ﺑﻴﻨﯽ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎﯼ ﻣﻮﺭﺩ ﻧﻈﺮ ﻣﯽ ﺑﺎﺷﺪ .
ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺩﺭﺑﺎﺭﻩ ﯼ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﮐﻼﺳﺘﺮﻳﻨﮓ ﺑﺤﺚ ﻣﯽ ﮐﻨﻴﻢ .
ﮐﻼﺳﺘﺮﻳﻨﮓ ﺩﺭ ﻭﺍﻗﻊ ﺑﻪ ﮐﺎﺭﺑﺮ ﺍﻳﻦ ﺍﻣﮑﺎﻥ ﺭﺍ ﻣﯽ ﺩﻫﺪ ﮐﻪ ﮔﺮﻭﻫﯽ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎ ﺭﺍ ﭘﺮﺩﺍﺯﺵ ﮐﺮﺩﻩ ﻭ ﺍﻟﮕﻮ ﻫﺎﻳﯽ ﺭﺍ ﺍﺯ ﺍﻳﻦ ﺩﺍﺩﻩ ﻫﺎ ﺧﺎﺭﺝ ﮐﻨﺪ . ﺍﻳﻦ ﺭﻭﺵ ﺧﻮﺑﯽ ﻫﺎﻳﯽ ﺑﺮﺍﯼ ﺧﻮﺩ ﻧﻴﺰ ﺩﺍﺭﺩ . ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﻣﺠﻤﻮﻋﻪ ﺩﺍﺩﻩ ﻫﺎ ﺗﻌﺮﻳﻒ ﻣﯽ ﺷﻮﻧﺪ ﻭ ﻳﮏ ﺍﻟﮕﻮ ﯼ ﻣﺸﺨﺼﯽ ﻧﻴﺎﺯ ﺍﺳﺖ ﺗﺎ ﺍﺯ ﺍﻳﻦ ﺩﺍﺩﻩ ﻫﺎ ﻣﺸﺨﺺ ﺷﻮﺩ. ﻫﻤﭽﻨﻴﻦ ﺍﻳﻦ ﺍﻣﮑﺎﻥ ﺩﺍﺩﻩ ﻣﯽ ﺷﻮﺩ ﮐﻪ ﮔﺮﻭﻩ ﻫﺎﻳﯽ ﻣﺘﺸﮑﻞ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎﯼ ﻣﺨﺘﻠﻒ ﺑﻪ ﺗﻨﺎﺳﺐ ﻧﻴﺎﺯ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻗﺮﺍﺭ ﺑﮕﻴﺮﻧﺪ.
ﺣﺎﺍﻝ ﺑﺎ ﻳﮏ ﻣﺜﺎﻝ ﺭﻭﺵ ﺍﻧﺠﺎﻡ ﺍﻳﻦ ﮐﺎﺭ ﻭ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺁﻥ ﺭﺍ ﺑﺮ ﺭﻭﯼ ﻭﮐﺎ ﺗﻮﺿﻴﺢ ﻣﯽ ﺩﻫﻴﻢ.
ﻳﮏ ﻣﺠﻤﻮﻋﻪ ﺩﺍﺩﻩ ﻫﻤﺎﻧﻨﺪ ﻣﺜﺎﻝ ﻗﺒﻞ ﻓﺮﺍﻫﻢ ﻣﯽ ﮐﻨﻴﻢ . ﺩﺭ ﺍﻳﻦ ﺟﺎ ﻣﺎ ﻳﮏ ﻣﺠﻤﻮﻋﻪ ﺩﺍﺩﻩ ﮐﻪ ﺷﺎﻣﻞ ﺧﺮﻳﺪ ﻭ ﻓﺮﻭ ﻫﺎﯼ ﻳﮏ ﺑﺮﻧﺪ ﻣﺎﺷﻴﻦ ﺍﺳﺖ ﺭﺍ ﺑﺮﺭﺳﯽ ﻣﯽ ﮐﻨﻴﻢ .
ﺩﺍﺩﻩ ﯼ ﻣﻮﺟﻮﺩ ﺭﺍ ﺍﺯ ﭘﻨﻞ ﺑﺎﺯ ﮐﺮﺩﻥ ﻓﺎﻳﻞ ﺟﺪﻳﺪ ،ﺑﺎﺭﮔﺬﺍﺭﯼ ﻣﯽ ﮐﻨﻴﻢ . ﺻﻔﺤﻪ ﯼ ﺳﻤﺖ ﭼﭗ ﺑﺎﺯ ﺷﺪﻩ ﺍﻣﮑﺎﻥ ﺩﻳﺪﻥ ﺳﺘﻮﻥ ﻫﺎﯼ ﺩﺍﺩﻩ ﻫﺎ ﺑﺮ ﺍﺳﺎﺱ ﭘﻴﮋﮔﯽ ﻫﺎﯼ ﻣﺨﺘﻠﻒ ﻣﻮﺟﻮﺩ ﻣﯽ ﺑﺎﺷﺪ.
ﺍﺯ ﻣﻨﻮﯼ ﺑﺎﻻ ، ﮔﺰﻳﻨﻪ ﯼ ﮐﻼﺳﺘﺮ ﺭﻭ ﮐﻠﻴﮏ ﻣﯽ ﮐﻨﻴﻢ . ﺍﺯ ﺩﮐﻤﻪ ﯼ ﺍﻧﺘﺨﺎﺏ ﺍﻟﮕﻮﺭﻳﺘﻢ ،ﺭﻭﺵ SIMPLE KMEANS ﺭﺍ ﺍﻧﺘﺨﺎﺏ ﻣﯽ ﮐﻨﻴﻢ . ﺩ ﺻﻔﺤﻪ ﯼ ﻣﻮﺟﻮﺩ ﻳﮏ ﮔﺰﻳﻨﻪ ﺑﺮﺍﯼ ﺗﻨﻈﻴﻤﺎﺕ ﺍﺿﺎﻓﯽ ﻣﻮﺟﻮﺩ ﺍﺳﺖ ﺑﻪ ﻧﺎﻡ numClustersﮐﻪ ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ﻣﺎ ﻣﯽ ﺧﻮﺍﻫﻴﻢ ﭼﻨﺪ ﮐﻼﺳﺘﺮ ﺍﻳﺠﺎﺩ ﮐﻨﻴﻢ.
ﺩﺭ ﺍﻳﻨﺠﺎ ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﺣﺎﻟﺖ ﭘﻴﺶ ﻓﺮﺽ ۲ ﺭﺍ ﺑﻪ ۵ ﺗﻐﻴﻴﺮ ﻣﯽ ﺩﻫﻴﻢ .
ﺩﺭ ﺍﻳﻨﺠﺎ ﻣﺎ ﺁﻣﺎﺩﻩ ﯼ ﺍﻳﻦ ﻫﺴﺘﻴﻢ ﺗﺎ ﻧﺘﻴﺠﻪ ﯼ ﮐﻼﺳﺘﺮﻣﺎﻥ ﺭﻭ ﺑﺮﺭﺳﯽ ﮐﻨﻴﻢ . ﺗﻮﺟﻪ ﮐﻨﻴﺪ ﮐﻪ ﺣﺪﻭﺩﺍ ۰۰۱ ﺭﺩﻳﻒ ﺩﺍﺩﻩ ﺑﺎ ۵ ﮐﻼﺳﺘﺮ ﺗﻘﺮﻳﺒﺎ ﭼﻨﺪ ﺳﺎﻋﺖ ﺯﻣﺎﻥ ﺑﺮﺍﯼ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺑﺮﻧﺪ ﺍﻣﺎ ﻭﮐﺎ ﺩﺭ ﭼﻨﺪ ﺛﺎﻧﻴﻪ ﺍﻳﻦ ﮐﺎﺭ ﺭﺍ ﺑﺮﺍﯼ ﮐﺎ ﺍﻧﺠﺎﻡ ﻣﯽ ﺩﻫﺪ. ﺩﺭ ﺍﻳﻨﺠﺎ ﻳﮏ ﻧﻤﻮﻧﻪ ﺍﺯ ﺧﺮﻭﺟﯽ ﮐﻼﺳﺘﺮ ﺭﺍ ﻣﻴﺒﻴﻨﻴﻢ .
Cluster#۴ ۳ ۲ ۱ ۰ Full Data Attribute(۲۸) (۱۴) (۵) (۲۷) (۲۶) (۱۰۰)
===================================================================
===============۰ ۰٫۸۵۷۱ ۱ ۰٫۶۶۶۷ ۰٫۹۶۱۵ ۰٫۶ Dealership۱ ۰٫۵۷۱۴ ۰ ۰٫۶۶۶۷ ۰٫۶۹۲۳ ۰٫۷۲ Showroom۰٫۳۲۱۴ ۰٫۸۵۷۱ ۱ ۰ ۰٫۶۵۳۸ ۰٫۴۳ ComputerSearch۰ ۰٫۷۱۴۳ ۱ ۰٫۹۶۳ ۰٫۴۶۱۵ ۰٫۵۳ M5۱ ۰٫۰۷۱۴ ۰٫۸ ۰٫۴۴۴۴ ۰٫۳۸۴۶ ۰٫۵۵ ۳Series۰٫۶۷۸۶ ۰٫۵۷۱۴ ۰٫۸ ۰ ۰٫۵۳۸۵ ۰٫۴۵ Z4۰٫۵ ۱ ۰٫۸ ۰٫۶۲۹۶ ۰٫۴۶۱۵ ۰٫۶۱ Financing۰٫۳۲۱۴ ۱ ۰٫۴ ۰٫۵۱۸۵ ۰ ۰٫۳۹ Purchase
Clustered Instances
۰ ۲۶ ( ۲۶%)
۱ ۲۷ ( ۲۷%)
۲ ۵ ( ۵%)
۳ ۱۴ ( ۱۴%) (۴ ۲۸ ( ۲۸%
ﺩﺭ ﻗﺴﻤﺖ ﺩﮔﺮ ﭘﻨﻞ ﮔﺰﻳﻨﻪ ﻧﻤﺎﺩﻳﻨﻪ ﺳﺎﺯﯼ ﻭﺟﻮﺩ ﺩﺍﺭﺩ ﮐﻪ ﺑﺎ ﮐﻠﻴﮏ ﮐﺮﺩﻥ ﺭﻭﯼ ﺁﻥ ﻣﯽ ﺗﻮﺍﻧﻴﻢ ﻧﺘﺎﻳﺞ ﺍﻳﻦ ﮐﻼﺗﺴﺮﻳﻨﮓ ﺭﺍ ﺑﻪ ﺷﮑﻞ ﻧﻤﻮﺩﺍﺭﯼ ﻧﻴﺰ ﺑﺒﻴﻨﻴﻢ.
ﺩﺭ ﺻﻔﺤﻪ ﻫﺎﯼ ﻗﺒﻞ ﺑﺮﺭﺳﯽ ﺳﻪ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻣﻬﻢ ﺩﺭ ﻭﮐﺎ ﺭﺍ ﺩﻳﺪﻳﻢ.
ﻭﮐﺎ ﻧﺮﻡ ﺍﻓﺰﺍﺭﯼ ﺟﺎﻣﻊ ﺑﺮﺍﯼ ﻳﺎﺩﮔﻴﺮﯼ ﻣﺎﺷﻴﻦ ﻧﻴﺴﺖ ﺍﻣﺎ ﺩﺭ ﻣﺤﺪﻭﺩﻩ ﯼ ﮐﻤﯽ ﺣﺮﻑ ﻫﺎﯼ ﺯﻳﺎﺩﯼ ﺑﺮﺍﯼ ﮔﻔﺘﻦ ﺩﺍﺭﺩ ﻭ ﻣﯽ ﺗﻮﺍﻧﺪ ﺑﻪ ﻋﻨﻮﺍﻥ ﻳﮏ ﮔﺰﻳﻨﻪ ﯼ ﺧﻮﺏ ﺑﺮﺍﯼ ﮐﺎﺭﻫﺎﯼ ﺍﺑﺘﺪﺍﻳﯽ ﺩﺍﺩﻩ ﮐﺎﻭﯼ ﻭ ﻳﺎﺩﮔﻴﺮﯼ ﻣﺎﺷﻴﻦ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻗﺮﺍﺭ ﮔﻴﺮﺩ.
ﺩﺭ ﺳﺎﻝ ﻫﺎﯼ ﺍﺧﻴﺮ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﭘﻴﺸﺮﻓﺖ ﻫﺎﯼ ﺯﻳﺎﺩﯼ ﺩﺍﺷﺘﻪ ﻭ ﺭﺍﺑﻂ ﮐﺎﺭﺑﺮﯼ ﺁﻥ ﻧﻴﺰ ﺗﻐﻴﻴﺮﺍﺕ ﭼﺸﻤﮕﻴﺮﯼ ﮐﺮﺩﻩ ﺍﺳﺖ . ﺷﺎﻳﺪ ﺩﺭ ﺳﺎﻝ ﻫﺎﯼ ﺁﺗﯽ ﺷﺎﻫﺪ ﺗﻐﻴﻴﺮﺍﺗﯽ ﮔﺴﺘﺮﺩﻩ ﺗﺮ ﺩﺭ ﻭﮐﺎ ﺑﺎﺷﻴﻢ ﻭ ﺍﺯ ﺁﻥ ﺑﻪ ﻋﻨﻮﺍﻥ ﻧﺮﻡ ﺍﻓﺰﺍﺭﯼ ﺟﺎﻣﻊ ﺗﺮ ﺑﺘﻮﺍﻧﻴﻢ ﻳﺎﺩ ﮐﻨﻴﻢ.
ماشين حساب
مغز آدمي يقينا پيچيده ترين سيستمي ست كه تا كنون با آن مواجه شده ايم. ولي اين در حالي است كه اين سيستم پيچيده نه ابعاد بزرگي دارد و نه مانند كامپيتر ها اجزاي بي شماري دارد . پس چرا پيجيده ترين است؟ اين پيچيدگي بخاطر نوع اتصالات بين اجزاي آن (سلول هاي مغز انسان ) است. اين در حالي است كه تحقيقات نشان مي دهد كه واحد هاي سازنده ي مغز از نظر سرعت يك ميليون بار كند تر از ترانزيستور هاي CPU هستند ولي در عين حال بعضي از فرايند هايي كه در مغز رخ مي دهد را بوسيله ي هيچ پردازنده ي ساخت بشر نمي توان انجام داد. اگر اين نوع اتصالات اجزاي مغز را نداشته باشيم عملكرد مغز در حد يه سيستم معمولي مي شود. حال اگر بتوانيم سيستمي طراحي كنيم كه عملكرد مغز را شبيه سازي كند قطعا به تحول عظيمي دست يافته ايم. در اين نوشته ضمن ارايه تعريف شبكه عصبي و شبكه ي عصبي مصنوعي ، از تلاش هايي كه در زمينه ي شبيه سازي اين امر صورت گرفته مواردي را ذكر كرده و ضمن بررسي كابرد هاي شبكه ي عصبي به ارايه مثال هايي در اين باره مي پردازيم . در آخر برخي توابع استفاده شده در اين تولباكس متلب را توضيح داده و يك مساله ي واقعي را با آن حل نموده و خروجي ها را تحليل مي نماييم .
ماشين حساب
تعريف كلي شبكه عصبي :
واحد تشكيل دهنده سيستم عصبي نورون است
هر نورون (يا بعبارتي سلول عصبي) يك جسم سلولي دارد كه از آن شاخه هايي بيرون مي آيد. به بلند ترين شاخه ي خروجي آكسون مي گويند. آسكون ها با كنار هم قرار گرفتنشان باعث تشكيل رشته ي عصبي مي شوند. به طور كلي شاخه ها و رشته هايي كه از نورون بيرون آمده اند دو نوع هستند : دندريت و آكسون ها. دندريت پيام ها را ميگيرد و به جسم سلولي مي برد. آكسون هم پيام عصبي را از جسم سلولي تا پايانه هاي آكسون هدايت مي كند. دستگاه عصبي با ارتباط بين ميليون ها نورون كار ها و وظايف خود را پيش مي برد. در مغز ما حدود نورون وجود دارد كه هر كدام از آن ها با نورون ديگر در ارتباط است. سرعت سويچ كردن بين نورون ها حدود ثانيه است كه در مقايسه با كامپيوتر ها ( ) خيلي كم است
image1
در جانور هاي پرسلولي براي هماهنگي بين سلول ها و انئپدام هاي بدن ، سيستم عصبي (Nervousn Sustem) با ساختاري كه دارد ايجاد شده است.
تعريف شبكه عصبي مصنوعي :
سيستمي است كه با الهام گرفتن از عملكرد مغز سعي دارد عملكردي شبيه آن را اجرا نمايد. اين سيستم داده ها با استفاده از پردازنده هاي بسيار كوچك و زيادي كه در آن به صورت شبكه اي موازي و به هم پيوسته است پردازش مي كند تا جواب مساله بدست بيايد. در اين جا شبكه عصبي را شبيه سازي مي كنيم. نورون را مانند ساختمان داده اي در نظر ميگيريم و با ايجاد ليست هاي پيوندي بين نورون ها الگوريتم آموزش درست مي شود. حال اين الگوريتم را تعريف مي كنيم. الگوريتم آموزش از سيستم عصبي انسان ايده گرفته است كه مثلا وقتي سلول لامسه مي سوزند از آن به بعد مي فهمد كه سمت اجسام داغ نبايد برود.
در شبكه عصبي نورون ها در دو حال هستند . فعال (۱) يا غير فعال (۲) و به هر يال (سيناپس) يك وزن اختصاص مي دهيم. اگر وزن مثبت باشد گره بعدي اگر غير فعال باشد فعال مي شود. و اگر منفي باشد يال فعال بعدي را غير فعال مي كند. براي يادگيري ، سيستم شبكه عصبي وزن سيناپس ها را تغيير مي دهد كه بتواند با تحريك هاي ورودي (داده هاي مساله) جريان خروجي مناسب توليد كند. در اين حالت شبكه عصبي برنامه ريزي نشده است بلكه با تنطيم وزن هاي ورودي هر نورون عصبي ياد ميگيرد مساله را حل نمايد.
شبكه ي عصبي به اين صورت كار مي كند كه ابتدا يك گره را به طور تصادفي انتخاب ميكنيم. اگر حد اقل يكي از گره هاي همسايه ي آن فعال باشد آنگاه جمع وزن يال هاي منتهي به آن گره ها را محاسبه مي كنيم. اگر جمع اين وزن ها مثبت باشد گره فعال مي شود در غير اين صورت غير فعال باقي مي ماند. حال يك گره ديگر را به تصادف انتخاب مي كنيم و اين روند را ادامه مي دهيم تا شبكه پايدار شود.
تز اصلي هاپفيلد : از هر حالت شروع و با هر وزني از يال‌ها كه آغاز كنيم، شبكه در آخر به حالت پايدار مي رسد.
مزيت شبكه عصبي بر كامپيوتر هاي معمولي
اين دو يعني شبكه عصبي نسبت به كامپيوتر هاي معمولي يك فرق بسيار عمده دارد كه باعث مزيت داشتن شبكه عصبي مي شود. در كامپيوتر از يك مسير الگوريتمي و با استفاده از دستور العمل هاي داده شده مي خواهيم مساله اي را حل كنيم و اگر مراحل كار از قبل براي ما مشخص نباشد قادر به حل مساله نيستيم. در كامپيوتر ما صرفا قادر به حل مسائلي هستيم كه آن ها را درك ميكنيم و مي دانيم كه چگونه حل مي شود. ولي حالت ايده آل اين است كه سيستمي داشته باشيم كه حتي مسائلي كه ما دقيقا نميدانيم چگونه حل مي شود را هم حل كند .
شبكه عصبي مصنوعي مشابه كاري كه در مغز صورت مي پذيرد را انجام مي دهد و پردازش مي كند. آن ها از تعداد بسيار زيادي سلول عصبي كه بهم پيوسته هستند و به صورت موازي با هم كار مي كنند براي حل يك مساله مشخص استفاده مي شود. شبكه عصبي را مانند كامپيوتر نمي توان براي يك وظيفه خاص برنامه ريزي كرد بلكه با توجه به مثال هايي كه به آن داديم كار مي كند. ولي بايد مثال هاي مناسبي در اختيار آن قرار دهيم و گر نه اين شبكه ممكن است اشتباه كار كند. امتياز اصلي شبكه عصبي اين است كه خودش مي فهمد كه يك مساله را چگونه بايد حل كند. بر خلاف كلامپيوتر كه عملكرد آن قابل پيش گويي است و اگر اشتباهي از آن سر بزند يا مربوط به اشتباهات نرم فزاري است يا سخت افزاري ، در شبكه عصبي عملكرد غير قابل پيش بيني است.
فرايندي براي تبديل input ها به output ها :
در شبكه عصبي يك يا چند ورودي و به همچنين تعدادي خروجي خواهيم داشت. مساله اصلي پاسخ به اين سوال است كه طي چه فرايندي ميتوانيم از input ها به output ها برسيم.
مثلا در بازار سهام ما ورودي هايي مثل نقدينگي شركت ، تعداد پرسنل ، تورم ساليانه و سياست هاي دولت وجود داشته و در نهايت سوددهي شركت را بعنوان خروجي در نظر ميگيريم. همان طور كه مشخص است با فرمولي رياضي مانند نمي توانيم از ورودي ها به خروجي برسيم. براي اين مدل هاي مفهومي – علمي از شبكه هاي عصبي كمك مي گيريم.
در شبكه ي عصبي اگر بتوانيم به طور مثال ۵ سال اخير بازار بورس را بررسي كنيم و فرآيند تبديل شاخص هاي ورودي به خروجي آموزش ببينند آنگاه مي توانيم سال بعد آن را پيش بيني كنيم.
كاربرد هاي شبكه عصبي :
از كاربرد هاي شبكه عصبي ميتوان به موارد زير اشاره كرد :
كاربرد در زمان بندي معاملات سهامكاربرد شبكه عصبي مصنوعي در حسابرسيكاربرد در آناليز كيفيت كامپيوتركابرد در تخمين ريسك وامكاربرد در تشخيص دست نوشته‌ها. . .
كاربرد در حسابرسي :
فرآيند هاي حسابداري همواره در حال تغييرند و براي ما هميشه اين سوال مطرح مي شود كه فناوري اطلاعات چطور بر حسابرسي و مهارت هاي آن تاثير مي گذارد. حسابرس ها با كمك فناوري اطلاعات و يافته هاي جديد آن در حيطه هايي مثل نظارت و كنترل عمليات شركت صاحب كار مي توانند موفقيت بيشتري كسب كنند. شبكه ي عصبي يكي از امكانات جديدي است كه در اين حوزه جديد مطرح مي شود. براي ارزيابي ريسك ، كشف اشتباعات با اهميت و تداوم فعاليت از شبكه هاي عصبي مصنوعي استفاده مي شود.
شبكه عصبي چگونه كار مي كند؟
حال در ادامه با چند مثال ساده بررسي مي كنيم كه شبكه ي عصبي چگونه كار مي كند
دو دسته داده داريم (قرمز و آبي) كه بعنوان خروجي اي كه از ورودي هاي و بدست مي آيد مطرح مي شود. در ادامه قرمز را ۱ در نظر گرفته و به همين ترتيب به رنگ آبي عدد ۱ را نسبت مي دهيم.
1
حال مي خواهيم فرايندي را پيدا كنيم و آموزش بدهيم كه اين دو دسته رنگ را از هم تفكيك كند.
مطابق شكل خطي را در نظر ميگيريم. معادله ي خط عبارت است از:
39
كه W ضريبي از است و C هم مقدار ثابت معادله خط است. حال قسمت هايي كه معادله بالاي صفر هست نقطه هاي قرمز را نشان مي دهد
40
به همين ترتيب قسمت هايي كه معادله كمتر از صفر است نقطه هاي آبي را به ما مي دهد.
41
به كمك اين خط و معادله ي آن مي توانيم اين دو رنگ را از هم تفكيك كنيم.
در شبكه ي عصبي هم درست رويه اي مشابه اين موضوع را شاهد هستيم. شبكه ي عصبي ساده اي مطابق شكل زير را در نظر ميگيريم
2
به هر x وزني به نام W نسبت مي دهيم
حال يك شبكه ي عصبي خواهيم داشت كه تابع اگر بيشتر از صفر باشد مقدار قرمز گرفته و به آن عدد ۱ نسبت مي دهيم. اگر هم كمتر از صفر باش مقدار آبي مي گيرد و به آن عدد ۱ را نسبت مي دهيم..
يعني با توجه به معادله اي كه در اختيار داريم ورودي ها را مي دهيم . آنگاه چك مي كند كه با معادله ي خط چه وضعيتي دارد. اگر از صفر بزرگتر باشد به آن عدد ۱ را نسبت مي دهيم و اگر هم كمتر از صفر بود به آن عدد ۰ را نسبت مي دهيم.
پس به طور كلي در شبكه هاي عصبي :
3
پس شبكه ي عصبي :
42
به عدد ثابتي كه به فرمول اضافه مي شود باياس مي گوييم.
وظيفه شبكه :
كار شبكه ي عصبي اين است كه اين وزن ها و باياس را طوري پيدا كرده و تغيير بدهد كه خروجي حاصله از شبكه ي عصبي نسبت به مقدار واقعي كمترين خطا را داشته باشد.
پس وظيفه ي شبكه عصبي به اختصار عبارت است از :
بهينه كردن وزن ورودي ها و باياس
آنچه تا كنون بررسي كرده ايم شكل كلي نورون و شبكه ي عصبي تك لايه است. حال براي فهم بيشتر شبكه عصبي چند لايه پرسپترون بهتر است با برسسي چندين مثال ساده پله به پله ببينيم چرا و چگونه همچين شبكه اي تشكيل مي شود.
خب تركيب هاي ساده و باينري رو در نظر مي گيريم :
تركيب عطفي AND4
43
خب در اين تركيب عطفي صرفا در مواردي كه هم و هم برابر با يك باشد نتيجه ي خروجي يك خواهد بود. با توجه به مقدار ورودي ها و خروجي هايي كه داريم ميتوانيم نموداري را مطابق شكل زير رسم كنيم :
5
ما با خط x1+x2=1/5 توانستيم كه نقاط خروجي را به دو دسته ي آبي و قرمز تفكيك كنيم.
تركيب فصلي OR6
44
در اين تركيب فصلي در مواردي كه حد اقل يا يا برابر با يك باشد نتيجه ي خروجي يك خواهد بود. با توجه به مقدار ورودي ها و خروجي هايي كه داريم ميتوانيم نموداري را مطابق شكل زير رسم كنيم :
7
ما با خط x1+x2=0/5 توانستيم كه نقاط خروجي را به دو دسته ي آبي و قرمز تفكيك كنيم.
XOR8
45
در اين جا در مواردي كه هر دوي و مشابه باشن باشند نتيجه ۰ حاصل مي شود ولي اگر مقدار اين دو متفاوت باشد نتيجه حاصله ۱ خواهد بود. با توجه به مقدار ورودي ها و خروجي هايي كه داريم ميتوانيم نموداري را مطابق شكل زير رسم كنيم :
9
همان طور كه مشاهده ميكنيد نمي توانيم با يك خط نقطه ها را تفكيك كنيم و مجبور هستيم از دو خط استفاده كنيم.. حال براي اينكه بتوانيم همچنان با يك خط حائل اين نقاط را از هم تفكيك كنيم نموداري مطابق شكل زير را در نظر مي گيريم. در يك سمت نمودار از تركيب عطفي AND و در طرف ديگر نمودار از تركيب فصلي OR استفاده ميكنيم. براي مقادير ورودي ابتدا با تركيب هاي فصلي و عفطي نتيجه را بدست آورده و سپس در نمودار رسم مي كنيم.
10
همان طور كه در شكل مي بينيم در اين حالت توانستيم نقاط را با خط OR-AND-0/5=0 از هم تفكيك كنيم. معادله را به صورت زير هم مي توانيم بنويسيم :
46
كه به ترتيب :
47
كه اين اتفاق همان پرسپترون چند لايه (MLP) است.
11
در شبكه ي عصبي تك لايه مانند مثال هاي ساده AND و OR تنها يك نورون كافي بود. ولي در شبكه ي عصبي چند لايه پرسپترون از چند لايه از نورون ها براي بدست آوردن خروجي ها استفاده مي كنيم.
در اين مثال ابتدا بوسيله ي و مي توانيم تركسي هاي عطفي و فصلي را بدست آورده و با كمك آنها شبكه ي چند لايه مان را بسازيم.
پس شبكه ي عصبي به طور كلي مطابق شكل زير است :
12
ما در ساختار كلي شبكه عصبي يك سري ورودي داريم. يك سري لايه هاي مياني پنهان و يك سري خروجي داريم. بايد توجه داشت كه در نرم افزار متلب رو لايه Hidden و Input را بعنوان لايه ي پنهان مي شناسيم.
پس به صورت فورمولي خواهيم داشت :
48
ميزان خطا هم از فورمول زير به دست مي آيد :
42
تولباكس شبكه عصبي :
حال در محيط متلب ، داده هايي را تعريف كرده و با در نظر گرفتن Target ، داده ها را آموزش مي دهيم و در آخر نمودار ها و اطلاعاتي كه از آن به دست مي ايد را ببرسي ميكنيم و خروجي ها را تحليل مي كنيم.
13
ورودي ها به شكل زير در صفحه ظاهر مي شود :
14
سپس تابع هدف را تعريف مي كنيم. در اين مثال ميخواهيم عملكرد cosd(input) را با داده ها آموزش ببينيم :
15
خروجي هاي واقعي به صورت زير در مي آيد :
16
الان داده ها و تابع هدف را تعريف كرده ايم. نوبت آن است كه كار با تولباكس متلب را شروع كنيم :
17
در ادامه كار با تولباكس را مرحله به مرحله جلو رفته و در هر بخش توضحاتي ارائه خواهم داد
18
به مرحله ي بعد رفته تا ورودي ها و خروجي ها را مشخص كنيم :
19
خب در اين جا ورودي ها و تابع هدفي كه از قبل تعريف كرده ايم را به سيستم مي دهيم. در اين جا بايد به عبارتي كه در سمت راست نوشته شده است توجه كنيم. الان در اين مساله ۳۶۰ تا نمونه كه هر كدام يك پارامتر دارد را مورد بررسي قرار مي دهيم. اگر ماتريس ما متفاوت بود در سمت راست تغييرات لازم را انجام مي دهيم. (در مثال بعدي بيشتر به اين موضوع مي پردازيم.)
به مرحله ي بعد مي رويم :
20
داده ها در شبكه ي عصبي به سه دسته تقسيم مي شود :
Training : اين داده ها در اختيار شبكه براي يادگيري است. به طور مثال ما ۷۰ تا سوال به سيستم مي دهيم براي اينكه درس را ياد بگيرد. (۷۰% داده ها به طور مثال)Validation : شبكه ي عصبي با توجه به آموزش هايي كه مي بيند خودش را با Valid چك مي كند كه آموزش چقدر به داده هاي واقعي نزديك است. و اگر آموزش ما ايرادي دارد اصلاح كند(مثلا ۱۵% داده ها)
Testing : سنگ محك اصلي كه متوجه شويم نتيجه ي حاصله از شبكه ي عصبي چقدر به نتيجه ي واقعي شبيه است ( مثلا ۱۵ % داده ها)در مرحله ي بعد تعداد نورون هاي مخفي را تعيين مي كنيم :
21
در اين جا بايد توجه داشت كه تعداد لايه هاي خروجي همان تعداد خروجي هاي ما است كه در اين جا يك خروجي داريم. به طور مثال در مثال بعدي ما سه خروجي داريم لذا سه لايه خروجي خواهيم داشت.
به مرحله بعد مي رويم :
22
حال داده ها را آموزش مي دهيم و منتظر خروجي ها مي مانيم
23
در سمت راست ستون نمونه ها تعداد هر نوع نمونه را نمايش داده است. در ستون دوم (MSE) ميانگين مربعات خطا ها را خواهيم داشت و در ستون آخر هم ميزان رگرسيون را داريم.
در اين تولباكس بدليل اينكه نميتوان آموزش را تا ابد ادامه داد ، مواردي مشخص شده است كه اگر هر كدام از آن ها عملي شود اجراي آموزش متوقف مي شود :
شرط هاي توقف :
Epoch (تكرار) : مثلا بعد از ۱۰۰ بار تكرار متوقف شودTime (زمان) : محدوديت زماني داشته باشيمPerformance (عملكرد شبكه) : اگر بتوانيم ميزان خطا و اختلاف بين نتيجه اي كه از شبكه عصبي مي گيريم با نتيجه واقعي از يك مقداري كمتر كنيم اجرا متوقف مي شود.Gradiant (گراديان) : ميزان مشتق موجود در شبكه عصبيMu : شاخص هاي الگوريتم بهينه سازي كه مورد استفاده قرار گرفته است.Validation Checks (عدم بهبود) : اگر شبكه ي ما به طور مثال در ۶ تكرار متوالي خروجي را بهبود ندهد متوقف مي شود .حال خروجي را مشاهده مي كنيم :
24
همان طور كه مشاهده مي شود رنگ سبز نشان دهنده ي اين است كه عامل آخر يعني شش دور با عدم بهبود باعث شده اجراي آموزش متوقف شود. در قسمت بالايي هم مواردي را مشاهده مي كنيم كه به اين ترتيب تعريف مي شود :
Data Division : نحوه ي تقسيم داده است. مثلا اينكه از ميان ۳۶۰ داده اي كه داريم ، كدام ۷۰% آن را بعنوان داده هاي آموزشي انتخاب كنيم. اگر داده ها را بطور ساده از يك سمت داده ها انتخاب كنيم كارايي پايين مي آيد. پس بهتر است كه به طور رندوم انتخاب شود.Training : در اين بخش الگوريتمي كه براي آموزش دادن استفاده شده است را مشاهده مي كنيم.Performance : در اين جا شاخص محاسبه عملكرد شبكه آمده است . ميانگين مربعات خطا (MSE) شاخصي براي اين كار است.Derivative : محاسبه ي مشتق شبكه عصبي
بررسي نمودار ها :
حال نمودار هايي كه اين تولباكس بعنوان خروجي مي دهيم را بررسي مي كنيم :
Performance :25
نمودار ما در يك سو تعداد تكرار ها را نشان مي دهد و در يك سوي ديگه ميانگين مربعات خطا را. در قسمت مشخص شده ي سبز رنگ ، ما ۶ تكرار بدون بهبود را شاهد هستيم كه باعث توقف فرايند آموزش شده است.
Training State :26
در اين نمودار مقدار خطا ها را مشاده ميكنيم. اگر در ۶ بار پياپي بهبود نداشته باشيم و همين طور صعودي بالا برود متوقف مي شود.. در تكرار ۱۲۱ تا ۱۲۶ ما در شش بار متوالي عدم بهبود را شاهد هستيم.
Error Histogram :27
در اين نمودار ميزان تعلق هر دسته از داده ها به ازاي خطا هاي مختلف مورد بررسي قرار مي گيرد.
Regresson :28
Fit :29
در اين بخش خروجي شبكه عصبي و واقعي را روي هم مي اندازد و اگر اين دو بر هم منطبق باشد دال بر كيفيت خوب شبكه عصبي است
حال شبكه را بعنوان يك Object با نام net ذخيره مي كنيم و با ذكر يك مثال نتيجه ي اين آموزش شبكه عصبي را با نتيجه ي واقعي مقايسه مي كنيم :
كوسينوس ۶۰ درجه :
30
نتيجه ي حاصله از شبكه عصبي :
31
همانطور كه مشاهده مي كنيد نتيجه ي حاصله تنها يك هزارم متفاوت است كه اين نشان دهنده ي موفقيت شبكه ي عصبي مان است.
تغيير در تعداد ورودي ها و خروجي ها :
اكنون حالتي را بررسي مي كنيم كه نمونه هاي ورودي دو پارامتري باشد و در تابع هدف هم چندين خروجي تعريف مي كنيم. حال داده هاي ورودي را در دو رديف ۱۸۰ تايي به سيستم مي دهيم :
32
كه خروجي بدين شكل مي باشد :
33
آنگاه توابع خروجي را به طور مثال اينطور در نظر مي گيريم :
34
كه خروجي و نتايج واقعي به صورت زير در مي آيد :
35
در اين حالت هم مراحلي كاملا مشابه حالت قبلي را شاهد هستيم تنها با يك تفاوت!
در بخشي كه داده هاي ورودي و خروجي را به تولباكس معرفي مي كنيم از آن جايي كه حالت پيش فرض نرم افزار به جاي اينكه براي ما ۱۸۰ نمونه ي دو پارامتري دريافت كند ، بر عكس دو نمونه ي ۱۸۰ پارامتري دريافت كرده است . همين طور براي خروجي هم به اشتباه سه نمونه ي ۱۸۰ پارامتري را دريافت كرده است.
36
تيك مربوطه را جابجا كرده و ماتريس را در جهت درست معرفي مي كنيم.
در باقي مسير درست مشابه حالت قبل عمل مي كنيم و شبكه را آموزش مي دهيم. در اين حالت براي توقف آموزش ، ابتدا محدوديتي كه بابت گراديان داشته ايم مانع ادامه ي آموزش و حصول نتيجه شده است :
37
توابع تعريف شده در تولباكس شبكه عصبي :
براي بررسي توابع موجود در اين تولباكس ابتدا مجددا يكي از انواع اين شبكه عصبي (پرسپترون) را معرفي ميكنيم و در مورد آن توابع و تعارف مربوطه را ارايه خواهيم داد. و در آخر به مثال هايي از آن اشاره خواهيم كرد . خروجي توابع را بررسي مي كنيم.
پرسپترون (Perceptron) :
يك نوع شبكه عصبي مصنوعي است كه در سال ۱۹۵۷ در لابراتور كرنل آروتيكال به وسيله فرانك روزولت ابداع شد. ميتوان آن را ساده ترين نوع شبكه عصبي هايي در نظر گرفت.
يك شبكه پرسپترون از يك لايه شامل S پرسپترون كه به R ورودي از طريق وزن هاي وصل شده است تشكيل مي شود كه نشان دهنده ي وزن لينك ورودي j ام به پرسپترون i ام است. از آن جايي كه الگوريتم يادگيري قادر به يادگيري يك لايه مي باشد در اين جا نيز تنها يك لايه داريم .
براي ساخت يك شبكه پرسپترون دستور زير استفاده ميگردد:newp(P,S)
كه P يك ماتريس با ابعاد R*2 است كه R تعداد ورودي هاست و هر سطر آن شامل حد پايين و بالاي ورودي مي باشد . S نيز تعداد نورون ها را نشان مي دهد .
در پرسپترون ها به طور پيش فرض از تابع پله (hardlim) استفاده مي شود. در تابع پله اگر ورودي به يك آستانه مشخص رسيده باشه خروجي ۱ را نشان مي دهد و در غير اين صورت خروجي ۰ مي شود .
38
دستور زير يك شبكه پرسپترون با يك ورودي كه مقادير ۰ و ۲ را شامل مي شود را ايجاد مي كند . تعداد نورون ها را نيز يك در نظر ميگيريم :P=[0 2];
S=1;
net = newp(P,S);
براي مشاهده شبكه ساخته شده از دستور زير ميتوان استفاده كرد :inputweights = net.inputweights{1,1}
كه با اجراي آن خروجي زير مشاهده ميشود :
inputweights =
delays: 0
initFcn: ‘initzero’
learn: 1
learnFcn: ‘learnp’
learnParam[] :
size [1 ۱] :
userdata: [1×1 struct]
weightFcn: ‘dotprod’
تابع يادگيري پرسپترون به صورت پيش فرض تابع learnnp مي باشد.هم چنين تابعي كه مقادير آغازين را مقداردهي مي كند initzero نام دارد. كه مقدار اوليه وزن ها را برابر صفر قرار مي دهد .براي محسابه ي ورودي hardlim از تابع dotprod استفاده مي كنيم.باياس : افزودن باياس موجب ميشود تا استفاده از شبكه پرسپترون با سهولت بيشتري انجام شود. براي اينكه براي يادگيري باياس نيازي به استفاده از قانون ديگري نداشته باشيم باياس را بصورت يك ورودي با مقدار ثابت ۱ در نظر گرفته و وزن را به آن اختصاص ميدهيم.50با اجراي دستورات زير مي توان مقدار دهي اوليه باياس ها را مشاهده كرد :
biases = net.biases{1}
كه خروجي زير را توليد مي كند :
biases =
initFcn: ‘initzero’
learn: 1
learnFcn: ‘learnp’
learnParam[] :
size: 1
userdata: [1×1 struct]
همانطور كه مشاهده مي شود مقادير اوليه باياسها نيز صفر قرار داده شده اند .
مقدار دهي آغازين پارامترها :با استفاده از تابع init مي توان شبكه را به مقدار هاي اوليه برگرداند. مثلا شبكه اي با دو ورودي و يك نورون ساخته ايم :
net = newp([-2,2;-2 2],1);
حال وزن هاي آنرا با استفاده از دستور زير چك ميكنيم:
wts=net.IW{1,1};
كه خروجي آن به شكل زير خواهد بود :
wts =
۰ ۰
براي بررسي باياس نيز از دستور زير استفاده ميكنيم:
bias=net.b{1};
كه خروجي آن عبارت است از:
bias =
۰
حال وزنهاي شبكه را تغيير ميدهيم:
net.IW{1,1}=[3,4];
net.b{1}=5;
اكنون با چك كردن دوباره وزن ها خواهيم ديد كه وزن ها نغيير نموده اند. براي مقدار دهي اوليه وزنها ميتوان از دستور init استفاده كنيم :
net=init(net);
با بررسي وزنهاي شبكه داريم:
wts =
۰ ۰
bias =
۰
يادگيري پرسپترون :وزنهاي يك شبكه پرسپترون از طريق الگوريتم تندترين شيب در مراحل مختلف بروز ميشوند تا زماني كه به وزنهاي مناسب براي شبكه دست پيدا كنيم. تابع train اين حلقه از عمليات را اجرا مي نمايد، ورودي را دريافت مينمايد، خروجي و خطا را محاسبه مينمايد و وزن هاي شبكه را بروز مي نمايد .
اكنون به مثال ارائه شده در قسمت هاي قبل برميگرديم. شبكه پرسپترون ساخته شده با دستور زير را در نظر بگيريد:
net = newp([-2,2;-2 2],1);
حال فرض كنيد اين شبكه قرار است پاسخ مناسبي به نقطه زير دهد:
p=[2,2];
كه خروجي اين نقطه به صورت زير در نظر گرفته ميشود:
t=[0];
اكنون مقدار epochs * را برابر با يك در نظر ميگيريم. به گونه اي كه شبكه تنها يك بار از روي مجموعه داده ما عبور كند
net.trainParam.epochs=1;
* Epochs : در الگوريتم آموزش به يك فرايند با يك سري كار ها روي بردار هاي آموزشي گفته مي شود.
سپس با استداده از دستور train شبكه را آموزش مي دهيم :
net=train(net,p,t);
با انجام اين دستور وزن هاي جديد به شكل زير خواهند بود:
net.IW{1,1}
ans=
-۲ -۲
net.b{1}
ans=
-۱
حال فرض كنيد چندين ورودي داريم و مي خواهيم روي كل مجموعه داده هاي موجود عمليات آموزش را انجام دهيم. بدين منظور با تعريف ورودي و خروجي به شكل زير ادامه مي دهيم:
p =[[2;2] [1;-2] [-2;2] [-1;1]];
t =[0 1 0 1];
حال شبكه را آموزش مي دهيم:
net =train(net,p,t);
وزن هاي جديد به همراه باياس عبارتند از :
w =
-۳ -۱
b =
۰
اكنون ميتوان شبكه را پس از آموزش شبيه سازي نمود:
a = sim(net,p)
a =
[۰] [۰] [۱] [۱]
همانطور كه مشاهده مي شود مقادير بدست آمده با مقادير اصبلي متفاوت مي باشند. براي رفع اين مشكل بايد تعداد epochs را افزايش داد :
net.trainParam.epochs=4;
با آموزش دوباره شبكه خروجي زير توليد مي شود:
TRAINC, Epoch 0/20
TRAINC, Epoch 3/20
TRAINC, Performance goal met.
اين خروجي نشان ميدهد كه خطاي نهايي صفر شده است. با شبيه سازي شبكه داريم:
a = sim(net,p)
a =
[۰] [۱] [۰] [۱]
با همين الگوريتم و الگوريتم هاي مشابه در ساليان اخير از شبكه عصبي مصنوعي براي شبيه سازي عملكرد مغز استفاده هاي بسياري صورت گرفته است . به طور مثال در يكي از جديد ترين دستاورد هاي بشر در ماه March سال ۲۰۱۶ شركت Google در بخش DeepMind توانستند توسط هوش مصنوعي خود قهرمان جهان را در بازي GO شطرنج چيني كه قدمتي بيش از ۲۵۰۰ سال دارد با نتيجه ۴ به ۱ شكست دهند كه اين دستاورد بزرگي براي هوش مصنوعي بو
ماشين حساب
معادله از دو عبارت جبري كه با هم برابر باشند تشكيل شده است . حل كردن يك معادله به معناي پيدا كردن مقدار مجهول آن معادله است.
مثال: به ترازوي مقابل دقت كنيد. از حالت توازن ترازو مشخص است كه وزن دو كفه ترازو برابر است به عبارت دو كفه معادل يكديگرند. پس يعني در هردو كفه ۸ كيلوگرم وجود دارد. پس مجموع ۵ كيلوگرم و وزنه x هم،۸ كيلوگرم است.
اگر دو عبرت جبري (و يا يك عبارت جبري و يك عدد) با هم برابر باشند، به دو طرف تساوي معادله مقدار ثابتي را ميتوانيم اضافه يا كم كنيم؛، بدون اينكه جواب معادله تغيير كند. همچنين ميتوان دو طرف معادله را در يك عدد ثابت غير صفر ضرب يا تقسيم كرد و باز هم جواب معادله تغيير نكند. مثال: x را بدست آوريد.
مثال:
* معمولا در نوشتن يك معادله به جاي متغير از حرف x استفاده مي كنند. نكته: در معادلاتي كه چند مجهول دارند معمولا از حروف پاياني الفباي انگليسي مثل به عنوان متغيرهاي استفاده مي كنند.نكته: به اين معادله دقت كنيد.
جواب اين معادله است. اگر x بزرگتر يا كوچكتر از ۳ باشد،در اين صورت، اين رابطه يك نامساوي است.
يعني: به ازاي x هاي بزرگتر از ۳ و به ازاي x هاي كوچكتر از ۳ صادق مي باشند.
نرخ تبديل شارژر قدرت چيست؟