من چند وقت پیش گویا کامنتی از جناب joey دریافت کردم که گویا به دلایلی نتونستم بخونمش. الان میخوام کمی توضیح راجع بهش بدم و خوب طبیعتا چقدر خوب بود بیشتر خودش رو معرفی میکرد.
یک چیزی که تقریبا دید خوبی نسبت به خیلی از الگوریتم های ماشین لرنینگ به آدم میده برنامه ای است به اسم weka این برنامه در آغاز توسط یه گروه دانشجویی در یک دانشگاه نیوزلند نوشته شده و به علت ساختمند بودن و رعایت کردن عالی اصول مهندسی نرم افزار به سرعت توسط آدمای دیگه تکمیل شده. به شدت من این برنامه رو دوست دارم و در واقع پلی بود برای ورود ماشین لرنینگ اکسپریمنتال. خود منم حدود دو هفته یک وصل کننده نوشتم تا JBoost که یک پروژه (اونم کد باز ) ولی عملا متعلق به UCSD هست رو به وکا وصل کنه. تو این بین خیلی چیزای خوبی از ماشین لرنینگ و بعضا دیتا ماینینگ دیدم.
ما تو درس ماشین لرنینگ که داشتیم به یه بخشایی از اون نمودار بسیار توجه شد که خوب طبعا نتیجش این میشه که اون بخشا رو خوبتر بلد باشم . یک بخشاییم اصلا بهش توجه نشد و صرفا تو یکی دو تا مقاله بهشون برخوردم. اون اکتیو لرنینگ یکی از ایناست (هر چند من هنوز باهاش خیلی مشکل دارم فکر میکنم بیشتر یک ژست مقاله چاپ کنیه تا یک روش یادگیری بر پایه اصول ریاضی).
در مورد unsupervised learning هم خوب حق با اون کامنت هست. دلیلش هم خیلی سادست من هنوز از اون بخش این دنیا چیز زیادی نمی دونم . حتی نمیدونم میزان تمدن و پیشرفتشون رو. فقط میخوام این رو اضافه کنم که در حال حاضر یکی از مباحث خیلی جالب تو این بخش دنیا یادگیری منیفولد ها میشه (که خیلیم کاربرد عملی داره). اون کامپرسد سنسینگ به این قضیه ربط پیدا میکنه. تعدادی روش یادگیری آداپتیو هست که خوب هر کدومشون تو جاهای خیلی خاصی کاربرد داره Isomap, Laplacian Eigenmaps, Hessian Eigenmaps و .. از این نوع هستند. دو تا روش غیر آداپتیو و هر دو بر پایه رندم پروجکشن هم هست که خیلی اخیرا به وجود اومدن . یکیشون ( کلاستر کردن توسط درختای پرتوی تصادفی) خیلی خوب در عمل جواب میده ولی اون یکی (در واقع حالت کلی لم جانسون -لیندنستراس) خیلی تو عمل مناسب نیست . یک ایده جالب و خیلی جدید دیگه تو این کارم استفاده از یک نوع تبدیل موج کوتاه به اسم diffusion wavelet هست که اطلاعات خیلی خوبی از پراکندگی داده ها روی منیفولد میده به خصوص تو بررسی ترافیک شبکه ها و نویز در تصاویر.
من امیدوارم بیشتر باهات بتونم صحبت کنم بازJoey
ضمنا بازم اگه اون تیکه هارو بتونی برام توضیح بدی من ممنون میشم!
یک چیزی که تقریبا دید خوبی نسبت به خیلی از الگوریتم های ماشین لرنینگ به آدم میده برنامه ای است به اسم weka این برنامه در آغاز توسط یه گروه دانشجویی در یک دانشگاه نیوزلند نوشته شده و به علت ساختمند بودن و رعایت کردن عالی اصول مهندسی نرم افزار به سرعت توسط آدمای دیگه تکمیل شده. به شدت من این برنامه رو دوست دارم و در واقع پلی بود برای ورود ماشین لرنینگ اکسپریمنتال. خود منم حدود دو هفته یک وصل کننده نوشتم تا JBoost که یک پروژه (اونم کد باز ) ولی عملا متعلق به UCSD هست رو به وکا وصل کنه. تو این بین خیلی چیزای خوبی از ماشین لرنینگ و بعضا دیتا ماینینگ دیدم.
ما تو درس ماشین لرنینگ که داشتیم به یه بخشایی از اون نمودار بسیار توجه شد که خوب طبعا نتیجش این میشه که اون بخشا رو خوبتر بلد باشم . یک بخشاییم اصلا بهش توجه نشد و صرفا تو یکی دو تا مقاله بهشون برخوردم. اون اکتیو لرنینگ یکی از ایناست (هر چند من هنوز باهاش خیلی مشکل دارم فکر میکنم بیشتر یک ژست مقاله چاپ کنیه تا یک روش یادگیری بر پایه اصول ریاضی).
در مورد unsupervised learning هم خوب حق با اون کامنت هست. دلیلش هم خیلی سادست من هنوز از اون بخش این دنیا چیز زیادی نمی دونم . حتی نمیدونم میزان تمدن و پیشرفتشون رو. فقط میخوام این رو اضافه کنم که در حال حاضر یکی از مباحث خیلی جالب تو این بخش دنیا یادگیری منیفولد ها میشه (که خیلیم کاربرد عملی داره). اون کامپرسد سنسینگ به این قضیه ربط پیدا میکنه. تعدادی روش یادگیری آداپتیو هست که خوب هر کدومشون تو جاهای خیلی خاصی کاربرد داره Isomap, Laplacian Eigenmaps, Hessian Eigenmaps و .. از این نوع هستند. دو تا روش غیر آداپتیو و هر دو بر پایه رندم پروجکشن هم هست که خیلی اخیرا به وجود اومدن . یکیشون ( کلاستر کردن توسط درختای پرتوی تصادفی) خیلی خوب در عمل جواب میده ولی اون یکی (در واقع حالت کلی لم جانسون -لیندنستراس) خیلی تو عمل مناسب نیست . یک ایده جالب و خیلی جدید دیگه تو این کارم استفاده از یک نوع تبدیل موج کوتاه به اسم diffusion wavelet هست که اطلاعات خیلی خوبی از پراکندگی داده ها روی منیفولد میده به خصوص تو بررسی ترافیک شبکه ها و نویز در تصاویر.
من امیدوارم بیشتر باهات بتونم صحبت کنم بازJoey
ضمنا بازم اگه اون تیکه هارو بتونی برام توضیح بدی من ممنون میشم!
salam ghorban
پاسخحذفman masterastin refighe mohsen hastam keh khode blogger in esm joey ro az email gmailman gozashteh inja kehnmanam behesh dast nazadam,
manam ba weka kar kardam vali fekr konam shoma bishtar kar kardeh bashid chizeh vaghean khobie,
darmoredeh AciveLearning aslan bahat movafegh nistam chon be nazareh man to application haye donyaye vagheai bayad raft soragheh in dastan kama inkeh manchand ja ham didam,
ba nazaret dar mored manifold ham movafegham harchand man anchenan dasty toosh nadaram va faghat az door mishnasam, kheili bayad ryazi basheh keh dastan ra jaleb mikoneh,
Unsupervised ham tarafdaranesh kamtar az supervised hast keh dalayel khase khodesh rodareh ,
man gofta in cheghdr boosting ro khob tashrih kardeh to on nemodar bego pas ba tools haye khas kardi ,chize jalebie boosting keh manam khosham miad azash,
dar kolfekr konam damaneye eteelaaat shoma ehtemalan az man to ML vasitar az mane, man dar khedmat hastam age komaki betonam bekonamkeh baeid midonam
shad bashid
ya ALI
سلام
پاسخحذفراجع به بوستینگ خوب از اونجا که جناب کو-ادوایزر خودش مبدع این روش بوده خیلی چیزای جالبی مواقعی که ازش سوال میکنم بهم میگه و خوب نتیجتا منم خیلی علاقه مند شدم.
راجع به اکتیو لرنینگ من حق اظهار نظر زیادی ندارم چون همونطوری که گفتم اطلاعاتم محدود میشه به جند تا نکته خاص تو دو سه تا مقاله فقط.
لطف کردی خیلی خیلی. اینورام اگه بیای ما که خوشحال میشیم.
ma mokhlesim ghorban
پاسخحذفshoma ham invara omadi ma khoshhal mishim bebinimeton
man ba inja az tarigh weblog on TOPOL ashan shodam
shad bashi baradar va movafagh
ya ALI