سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

ارزیابی روشهای استقرای سازنده

Publish Year: 1386
Type: Conference paper
Language: Persian
View: 986

This Paper With 9 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

ISCEE10_218

Index date: 28 November 2011

ارزیابی روشهای استقرای سازنده abstract

الگوریتمهای یادگیری ماشین که در حوزه کلاسبندی نمونهها ارائه شدهاند با توجه به مجموعه خصوصیات نمونهها, آنها را در کلاس مربوطه دستهبندی میکنند. به همین دلیل این الگوریتمها وابستگی شدیدی به زبان نمایش نمونهها یا همان مجموعه خصوصیات دارند که در صورت ضعیف بودن این زبان نتایج کلاسبندی از دقت بسیار پایینی برخوردار خواهد بود. برای حل این مشکل روشهای استقرای سازنده در جهت بهبود فضای نمایش نمونهها و در نهایت افزایش دقت یادگیری معرفی شدهاند. این مقاله به بررسی انواع مختلفی از این روشها اختصاص دارد که هدف اصلی آن شناسایی کاستیها و مشکلات موجود در روشهای استقرای سازنده است. برای اینکه بتوانیم ارزیابی درستی از این روشها داشته باشیم چندین معیار مهم و کلی بیان شده است. نتیجه حاصله از بررسی بیانگر این موضوع است که در صورت عمومیت بخشی به روشهای موجود میتوان به روشهای جامعتر و دقیقتری دست یافت.

ارزیابی روشهای استقرای سازنده Keywords:

ارزیابی روشهای استقرای سازنده authors

علی فرج پور

دانشجوی کارشناسی ارشد مهندسی نرمافزار، دانشگاه علم و صنعت ایران، دا

علی جعفری مند

دانشجوی کارشناسی ارشد مهندسی نرمافزار، دانشگاه آزاد اسلامی واحد تهر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
Bloedron, Eric & S.Michalski, Ryszard, "The AQ17- DCI System for ...
Clark, P. & Niblett, T., _ CN2 Induction Algorithm". ...
Flann, N.S. & Dietterich, T.G. , "Selecting Appropriate Repres entations ...
Freitas A., _ Understanding the crucial role of attribute in ...
G. Towe]] Geoffrey , W.Craven Mark, W.Shavlik Jude, ،Constructive Ihduction ...
Greene, G.H., "Quantitative Discovery: Using Dependencies to Discover Non-Linear Terms". ...
Hu , Yuh-Jyh & Kibler, Dennis, ،GalaII: Integrating the Constraction ...
Hu Y., _ genetic programming approach to constructive induction". ...
Hu , Yuh-Jyh & Kibler, Dennis, "A Wrapper Approach for ...
Ittner , Andreas & Schlosser, Michael, ،Non-Linear Decision Tress- NDT". ...
Langley, P., "Rediscovering Physics wvith Bacon3" ...
Michalski, R.S., _ Theory _ Methodolgy of Inductive Learning: Developing ...
Michalski, R.S., _ Recognation as Rule- Guided Inference". ...
Muggleton Stephen, "Duce, _ oracle based approach to cvonstructive induction". ...
Pagallo, G. & Haussler, D., :Boolean Feature Discovery in Empirical ...
Pagallo, G., "Learning DNF by Decision Trees". ...
Perez E. & Rendel] L.A., "Using multidimens ional projection to ...
Quilan R.J., ،C4.5: Programs for machine learning". ...
Quilan R.J., ،:I»duction of decision trees". ...
Rendell, L.A & Seshu, R., "Learning hard concepts through constructive ...
Ritthoff O. & Klinkenberg R. & Fischer , & Mierswa ...
Rumehart , D. & Hinton G.& Williams , R., "Learning ...
Schlimmer, J., "Concept Acquisiton Through Repres entational Adjustment". ...
Salzberg, Steven & Murthy, Sreerama & Kasif, Simon & Beigel, ...
Vafaie H. & De jong K. , "feature space transformation ...
Whitley , D. & Hanson, T. , "Optimizing neural netvorks ...
نمایش کامل مراجع

مقاله فارسی "ارزیابی روشهای استقرای سازنده" توسط علی فرج پور، دانشجوی کارشناسی ارشد مهندسی نرمافزار، دانشگاه علم و صنعت ایران، دا؛ علی جعفری مند، دانشجوی کارشناسی ارشد مهندسی نرمافزار، دانشگاه آزاد اسلامی واحد تهر نوشته شده و در سال 1386 پس از تایید کمیته علمی دهمین کنفرانس دانشجویی مهندسی برق ایران پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله یادگیری ماشین، کلاسبندی، استقرای سازنده هستند. این مقاله در تاریخ 7 آذر 1390 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 986 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که الگوریتمهای یادگیری ماشین که در حوزه کلاسبندی نمونهها ارائه شدهاند با توجه به مجموعه خصوصیات نمونهها, آنها را در کلاس مربوطه دستهبندی میکنند. به همین دلیل این الگوریتمها وابستگی شدیدی به زبان نمایش نمونهها یا همان مجموعه خصوصیات دارند که در صورت ضعیف بودن این زبان نتایج کلاسبندی از دقت بسیار پایینی برخوردار خواهد بود. برای حل این مشکل روشهای ... . این مقاله در دسته بندی موضوعی یادگیری ماشین طبقه بندی شده است. برای دانلود فایل کامل مقاله ارزیابی روشهای استقرای سازنده با 9 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.