Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

ÖĞRENMEDE BİLGİ Yılmaz KILIÇASLAN. Makine Öğrenmesinde Bilgisizlik Bugüne kadar anlattığımız makine öğrenmesi yaklaşımlarında, yalnızca veride gözlemlenen.

Benzer bir sunumlar


... konulu sunumlar: "ÖĞRENMEDE BİLGİ Yılmaz KILIÇASLAN. Makine Öğrenmesinde Bilgisizlik Bugüne kadar anlattığımız makine öğrenmesi yaklaşımlarında, yalnızca veride gözlemlenen."— Sunum transkripti:

1 ÖĞRENMEDE BİLGİ Yılmaz KILIÇASLAN

2 Makine Öğrenmesinde Bilgisizlik Bugüne kadar anlattığımız makine öğrenmesi yaklaşımlarında, yalnızca veride gözlemlenen girdi/çıktı ilişkisini yansıtan bir fonksiyon oluşturmak amaçlanmıştı. Daha doğrusu, amaç, böylesi bir fonksiyona yakınsayan bir hipotez elde etmekti. Bu amacın arkasında, sanki yeni birşey öğrenmeden (neredeyse) öğrenme öncesi bilinen herşeyi (yani ön bilgiyi) unutmak gerekiyormuş gibi bir varsayım mevcuttu. Bu derste, ön bilginin kullanımına da olanak sağlayan öğrenme yaklaşımını inceleyeceğiz. Kullanacağımız ön bilgi birinci dereceden yüklem mantığı formatında kodlanacaktır.

3 Öğrenmede Mantıksal Kodlama Bilgi kullanan öğrenmede, hipotez, örnek tanımları ve sınıflandırmalar mantık cümleleri olarak kodlanabilirler. Bu yaklaşımda, yeni örnekler, hipotez ve örnek tanımlamalarından bir sınıflandırma cümlesinin mantıksal çıkarımla elde edilmesi yoluyla sınıflandırılabileceklerdir. Ayrıca, daha önceden bilinen cümleler yeni örneklerin sınıflandırlmasına yardımcı olabileceği için, ön bilgi kullanımı da olanaklı hale gelecektir.

4 Restoran Örneği ÖrnekÖzelliklerHedef Alt.BarCumaAçMüş.Fiy.Yağ.Rez.TürTah. Bek.Bekle X1X1 EvetHayır EvetAz$$$HayırEvetFransız0-10Evet X2X2 Hayır EvetDolu$Hayır Tayland30-60Hayır X3X3 EvetHayır Az$Hayır Burger0-10Evet X4X4 HayırEvet Dolu$Hayır Tayland10-30Evet X5X5 HayırEvetHayırDolu$$$HayırEvetFransız>60Hayır X6X6 EvetHayırEvetAz$$Evet İtalyan0-10Evet X7X7 HayırEvetHayır Yok$EvetHayırBurger0-10Hayır X8X8 EvetAz$$Evet Tayland0-10Evet X9X9 HayırEvet HayırDolu$EvetHayırBurger>60Hayır X 10 Evet Dolu$$$HayırEvetİtalyan10-30Hayır X 11 Hayır Yok$Hayır Tayland0-10Hayır X 12 Evet Dolu$Hayır Burger30-60Evet Restoran örneğimizi hatırlayalım:

5 Restoran Örneği için Karar Ağacı Ayrıca, aşağıdaki karar ağacının bu 12 örnekten öğrenildiğini anımsayalım:

6 Örneklerin ve Sınıflandırmanın Kodlanması Hatırlayacağınız gibi, örnekler Alternatif, Bar, Cuma gibi özelliklerle tanımlanıyordu. Mantıksal bağlamda, her örnek özelliklerin tek argümanlı bir yüklem olduğu bir mantık cümlesiyle tanımlanır. Örneğin, birinci örnek aşağıdaki mantık cümlesiyle tanımlanacaktır: Alternatif(X 1 ) ¬Bar(X 1 ) ¬Cuma(X 1 ) Aç(X 1 )... Aynı örneğin sınıflandırma gösterimi ise şöyle olacaktır: Bekle(X 1 ).

7 Hipotezin Kodlanması Formel mantık çerçevesinde tümevarımlı öğrenmenin amacı, Q hedef yüklemi için örnekleri doğru şekilde sınıflamamıza imkan verecek bir mantık ifadesi bulmaktır. Q hedef yüklemini tanımlayan C i tanımları olacaktır. Hipotez, Q ile C i arasındaki kurulacak karşılıklı gerektirme ilişkisi ile elde edilecektir:  x Q(x)  C i (X) Restoran örneğinin karar ağacı şu hipotezi (H r ) ifade etmektedir:  r Bekle(r)  Müşteri(r, Az)  Müşteri(r, Dolu) Aç(r) Tip(r, Fransız)  Müşteri(r, Dolu) Aç(r) Tip(r,Tayland) Cuma(r)  Müşteri(r, Dolu) Aç(r) Tip(r, Burger)

8 Hipotez Uzayından Hipotez Arama - I Hipotez uzayı, öğrenme algoritmasının kabul edeceği bütün hipotezlerin kümesidir, {H 1,..., H n }. Tahminen, öğrenme algoritması hipotezlerden birinin doğru olduğuna, yani aşağıdaki cümleye, inanmaktadır: H 1  H 2  H 3 ...  H n, Örnekler geldikçe, örneklerle tutarlılık göstermeyen hipotezler elenip silinecektir. Böylesi bir tutarsızlık iki durumda gerçekleşebilir: - Bir örnek, eğer hipotez negatif olduğunu söylüyor fakat gerçekte pozitif ise, yanlış (false) negatiftir. - Bir örnek, eğer hipotez pozitif olduğunu söylüyor fakat gerçekte negatif ise, yanlış (false) pozitiftir.

9 Hipotez Uzayından Hipotez Arama - II Hipotez uzayımızı, örneklerle tutarlılık göstemeyenleri eleyerek daralatabiliriz. Fakat, Hipotez uzayımız genelde çok büyük olacağı için bu etkin bir yöntem olmayacaktır. Current Best Hypotesis Search ve Least Commitment Search daha az çabayla tutarlı hipotezleri bulabilmek için önerilen iki yaklaşımdır.


"ÖĞRENMEDE BİLGİ Yılmaz KILIÇASLAN. Makine Öğrenmesinde Bilgisizlik Bugüne kadar anlattığımız makine öğrenmesi yaklaşımlarında, yalnızca veride gözlemlenen." indir ppt

Benzer bir sunumlar


Google Reklamları