Makine Öğrenimi Çerçevesi – Eğitim – Essay – Ödev – Tez – Makale – Çeviri – Tez Yazdırma -Tez

Makine Öğrenimi Çerçevesi

MORPHUS, SOM ve perceptron kombinasyonunu kullanır. SOM, N küme için ağırlık merkezi görevi gören optimal referans vektörlerini verimli bir şekilde öğrenir. Bu referans vektörleri, her birinin temsil etmeyi amaçladığı etkileşim örneklerine daha çok benzemeyi öğrenerek kendilerini günceller ve sonuç olarak benzerlikleri temsil eden bir haritada kümeler oluşturur.

Daha sonra, istenen parametre (zaman veya doğruluk) değerini içeren küme üyelerinin özellik (bir etkileşim örneğinin nitelik değerleri) vektörleri, küme bilgisi, eğitim verisi olarak algılayıcıya gönderilir. Bağlantı ağırlıkları algılayıcı tarafından her öznitelik için öğrenilir ve bu ağırlıklar her küme için farklılık gösterir.

Sonuç olarak, yeni bir örnek için tahmine dayalı parametre değeri, örneğin özellik vektörünün nokta ürünü ve örneğin sınıflandırıldığı kümeye karşılık gelen tahmine dayalı ağırlık vektörü olarak hesaplanır. MORPHUS, istenen her parametre için bir tane olmak üzere küme başına iki algılayıcı kullanır.

Performans Değerlendirmesi

Öğrencinin yanıt verme süresini ve doğru olup olmadığını sırasıyla RT ve RC olarak belirteceğiz. Tahmini ve gerçek RT değerlerini ilişkilendirdik ve tahmine dayalı ve gerçek RC değerleri arasındaki doğru eşleşmelerin ortalaması olarak RC tahmininin doğruluğu için hesapladık. MORPHUS’un performansını, kümelenmemiş bir veri kümesi kullanan aşağıdaki yaklaşımlarla karşılaştırdık, dolayısıyla bu yaklaşımlardan küme bilgisi çıkarılmadı:

• SOM kullanılmadı; kümelenmemiş veri kümesi kullanılarak yalnızca algılayıcılar eğitilmiştir.
• RT’yi tahmin etmek için doğrusal bir regresyon modeli kullanıldı.
• Makine öğreniminde ayrık değerleri tahmin etmek için çok güçlü bir karar ağacı algoritması olarak selamlanan C4.5, RC’yi tahmin etmek için kullanıldı.

Bu yaklaşımların performans sonuçları temel ölçüler olarak ele alınır ve MORPHUS küme bilgisini kullandığında tahmin performansının artması beklenir. İlk satır bu beklentiyi doğrular. Ayrıca, veri kümesinin bir yarısında eğitim ve diğer yarısında test yapıldığında bile (iki kat çapraz doğrulama), RT tahmini için korelasyon hala güçlü ve anlamlıdır ve ikinci satırda gösterildiği gibi RC’yi tahmin ederken ortalamada doğrudur.

Genellikle, özellikle zaman gibi çok gürültülü bir değişkeni tahmin ederken, 0,6-0,79’luk bir korelasyonun güçlü olduğu kabul edilir. İyileştirme, C4.5’in çıktısıyla karşılaştırıldığında önemli olmasa da, MORPHUS’un avantajı, sürekli değişkenleri tahmin ederken bile iyi çalışmasıdır. C4.5’in doğrudan kullanılabilmesi için RT değerlerinin ayrıklaştırılması için bazı yolların yapılması gerekir.

Ayrıca MORPHUS’un tahmin performansının haritanın boyutuna bağlı olduğunu keşfettik. Bu önemsiz bir konu haline geldi. 6 6 boyutlu haritalar için performansının en azından optimale yakın olduğuna dair kanıtımız var. Deneyi basit tutmak için sadece kare haritaları (d d boyutu) test ettik.

Optimum sonuçları veren harita boyutunun belirlenmesi açık bir konu olsa da, bu boşluk bırakma yöntemi şu an için kabul edilebilir. Bu zorluğun çözümü, veri madenciliği topluluğundan ayrıca talep edilmelidir. Bununla birlikte, küme bilgisinin kullanımının tahmini geliştirdiği kesindir.

Makine öğrenmesi Örnekleri
Makine öğrenimi
Denetimli makine öğrenmesi
Makine öğrenmesi algoritmaları
Makine öğrenmesi pdf
Makine öğrenmesi yöntemleri
Makine öğrenmesi Ders notları
Makine öğrenimi Nedir

MORPHUS ve Gelecek Çalışmanın Katkısı

MORPHUS, üç yönlü bir katkı sağlamayı amaçlamaktadır. Birincisi, bilgisayarlı bir öğretmenin etkileşim günlüklerini analiz ederek öğretim yanıtlarını optimize etmesini sağlamak için çekilen dikkat düzeyini eklemektir.

İkincisi, öğrenen-sistem etkileşimi nitelikleri boyunca tanımlanan sistem kullanım verisi tahmine dayalı küme modellerinden, yani öğrenenin bilgi durumu ve davranışı ve sistemin tepki yapısı ve davranışı açısından, kendini geliştirmenin daha yüksek seviyeli tahmin için çıkarsanan bir çerçevedir. gebe kalabilir.

Üçüncü olarak, MORPHUS kümelerini öğrenci-ITS davranış özellikleri boyunca oluşturduğundan, aynı öğrenciden günlüğe kaydedilen etkileşim örneklerinin çeşitli kümelere dağıtılabileceğine ve özellikleri farklı olan öğrenicilerin aynı kümede bir arada var olabileceğine dair kanıtımız var.

Bu, öğrenen aynı olsa bile, MORPHUS’un farklı durumlar için farklı tahminler vereceği anlamına gelir. Vaka temelli tahmine dayalı modellemenin bu biçimi, bir grupta yalnızca benzer türdeki öğrenicilerin bir arada bulunabileceği ve her grup için önceden belirlenmiş bir tedaviler dizisinin atandığı öğrenci modellemesine yönelik bir klişe yaklaşımından farklıdır.

Daha pratik olarak, MORPHUS’un öngörücü ağırlıkları, en iyi gibi görüneni seçmek için öğrencinin yanıtında ortaya konan alternatif ders eylemlerinin etkilerini yaklaşık olarak tahmin etmek için temel olarak kullanılabilir.

Bir sonraki en iyi eylem anında belirlenecekse, tahmin performansı yüksek olmalıdır. Ayrıca, bu yetenek potansiyel olarak miyoptur, yani şu anda optimal bir eylem gibi görünen şeyin daha sonra kötü veya optimal olmayan bir duruma yol açma olasılığını dikkate almaz.

Çözüm, öğrencinin arzu edilen bir durumda kalması için proaktif stratejileri öğrenmesi için bir pedagojik ajan için bu tür bir yeteneği bir öğrenci simülasyonuna dönüştürmektir.

Amaç, başka bir aracıya geliştirilmiş veya yeni stratejiler öğrenmesi için bir simülasyon sağlamak veya ortalamada doğru olan ancak sonraki etkileşim günlükleri dahil edildikçe kümeleri ve ağırlıkları güncelleyerek tahmin gücünü artırmaya yönelik sabit bir amaç ile ilk tahminler yapmaksa , o zaman MORPHUS gerekli yeteneği sağlayabilir.

Doğrusal olmayan çok katmanlı bir algılayıcıya geçmeyi ve onun tahmininin son derece doğru olup olmadığını, böylece küme bilgisini çıkarmak için artık gerekli olup olmadığını görmeyi amaçlıyoruz.

Bir öğrenme aracısı için kümelenmiş öğretici etkileşim örneklerinden elde edilen bilgilerin, kaba taneli öğrenci tepkisi yönleri, özellikle de öğrencinin belirli bir soruna yanıt vermesi için gereken süre ve bu yanıtın doğruluğu hakkında tahminini geliştirmek için kullanılması üzerine araştırdık.

Kavramsal bir kümeleme algoritmasının, kümelerin tahmin edici özellikler sergilediği verilerdeki yapıları keşfedebileceği kesindir. Bununla birlikte, daha önemli olan konu, küme bilgisinin öngörüyü geliştirmek için hiç de önemli olup olmayacağıdır. Topladığımız ampirik sonuçlar bunun doğru ve kesin olduğunu kanıtlıyor.

tercüman tercüman

Biyografinin Tamamını Gör