پاورپوینت کامل ارائه‌ی چارچوبی برای یادگیری کنترل توجه در وظایف با فضای ادراکی چند بعدی ۸۳ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل ارائه‌ی چارچوبی برای یادگیری کنترل توجه در وظایف با فضای ادراکی چند بعدی ۸۳ اسلاید در PowerPoint دارای ۸۳ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل ارائه‌ی چارچوبی برای یادگیری کنترل توجه در وظایف با فضای ادراکی چند بعدی ۸۳ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل ارائه‌ی چارچوبی برای یادگیری کنترل توجه در وظایف با فضای ادراکی چند بعدی ۸۳ اسلاید در PowerPoint

اسلاید ۴: مقدمه: کنترل‌توجه چیست؟روانشناسیکنترل نمودن روند تفکر بر یکی از چندین موضوع یا شیئی که به طور همزمان ممکن است ذهن را مشغول نماید. بریدن از چیزهایی برای پرداختن موثرتر به چیزهای دیگر.مهندسیفیلتر نمودن فضای ورودی به گونه‌ای که بر چیزی که در فرایند تصمیم‌گیری ارزش بیشتری دارد، متمرکز شویم.ایجاد ارزش/اهمیت کمتر برای ورودی‌های گمراه‌کننده، غیرقابل اتکاء و نویزی۴

اسلاید ۵: اهمیت پرداختن به کنترل توجههرجا نیاز به تصمیم‌گیریدر زمان محدود با هزینه‌ی مشخصبر اساس اطلاعات انبوهباشد نیاز به روشی است که به نوعی از میان منابع اطلاعاتی موجود، زیرمجموعه‌ی مناسب‌تر را برگزیند. تعابیر متفاوت ولی مرتبط به توجه در مهندسی:پالایش یا فیلترینگانتخاب حسگرکاهش بعد و … ۵

اسلاید ۶: اهمیت و انگیزه‌ی کنترل توجه ادراکی (در حالت معمول)حل مشکل محدودیت زمان و توان پردازشیحل مشکل پیچیدگی فضای حاصل از ادراک همزمان تمامی ابعاد سنسورهای ورودیحل مشکل ابهام به دلیل اطلاعات انبوه سنسوریراهی برای کارآمدتر نمودن حل مسئله‌ی تصمیم‌گیریکاهش بعد فضای ادراکی رباتکاهش نیاز به حافظه برای ذخیره‌ی مشاهدات غیرضروریساده‌تر شدن مدلی که ربات برای انجام وظیفه باید از محیط بسازد۶

اسلاید ۷: اهمیت و انگیزه‌ی یادگیری کنترل توجه (در حالت معمول)اینکه ”به چه/کجا نگاه کنیم؟“ و اینکه ”در پاسخ به مشاهده‌ی انجام شده، چه کنشی انجام بدهیم؟“ به یکدیگر تافته شده‌اند.زیرمسئله‌ی اول در خدمت دومی است! (با هدف تسهیل و کاهش بار مسئله‌ی دوم)Where to lookWhat to do7

اسلاید ۸: اهمیت و انگیزه‌ی این پژوهش: یادگیری کنترل توجه در فضای تصمیماینکه ”با چه کسی مشورت کنیم؟“ و اینکه ”در پاسخ به مشورت دریافتی، چه کنشی انجام بدهیم؟“ به یکدیگر تافته شده‌اند.مشورت ها به صورت ترتیبی انجام می‌شوند.سطوح و ناحیه‌ی خبرگی ها متفاوت هستند.Whom to ConsultWhat to do8

اسلاید ۹: اهمیت پرداختن به کنترل توجهحل مشکل محدودیت زمان و توان پردازشیحل مشکل پیچیدگی فضای حاصل از ادراک همزمان تمامی ابعاد سنسورهای ورودیحل مشکل ابهام زیاد به دلیل اطلاعات انبوه سنسوریراهی برای کارآمد نمودن پردازش‌های لازم برای حل یک مسئله از جنس تصمیم‌گیریکاهش بعد فضای ادراکی رباتکاهش نیاز به حافظه برای ذخیره‌ی مشاهدات غیرضروریساده‌تر شدن مدلی که ربات برای انجام وظیفه باید از محیط بسازد۹تمام موارد بالا و حل مشکل ناهمگونی احتمالی موجود در الگوریتم‌های یادگیری و تصمیم‌گیری خبره‌ها با یکدیگرقابلیت استفاده‌ از منابع دانشی بسیار متفاوت، از یک فرد خبره‌ی انسانی گرفته تا یک ماشین یادگیر ساده ارائه‌ی یک تعریف حالت خوش‌دست‌تر برای حالت عامل یادگیر در فضای تصمیم (نسبت به تعریف همان حالت در فضای ادراکی معادل) بعد فضای حالت (فضای تصمیم) = تعداد کنش‌ها ضربدر تعداد خبره‌ها هر دو از پارامترهای قابل مدیریت زمان طراحی بوده و کاملا در دست طراح الگوریتم یادگیری هستند. بعد فضای حالت (فضای ادراکی) = تعداد مقادیری که حسگر قرائت می‌کندقابل کنترل توسط طراح نبوده، بسیار متغیر هستند و به همین دلیل هم غالبا فضای حالت بسیار بزرگ و نامطلوبی برای یادگیری ایجاد می‌نماید. در فضای ادراکیدر فضای تصمیم

اسلاید ۱۰: ایده‌ی اصلی چارچوبتقسیم مسئله‌ی اصلی به زیرمسئله‌ها‌ی یادگیری کوچکتر و سپس یادگیری نحوه برهم‌نهی نتایج:یادگیری انجام وظیفه در زیرفضاهای ادراکی ساده‌تر به صورت موازی توسط ماشین‌های یادگیر ساده‌تریادگیری کنترل توجه با تعبیر یادگیری مشورت با همین ماشین‌های یادگیر ساده‌تر در فضای تصمیم۱۰

اسلاید ۱۱: فضای ادراکی چندبعدینظر/تصمیم/کنش نهاییکدام سنسور؟کدام کنش؟مسئله یادگیری در فضای ادراکی چندبعدی (در حالت معمول)۱۱

اسلاید ۱۲: نظر/تصمیم/کنش نهاییفضای ادراکی چندبعدیفضای ادراکی با بعد کمترفضای ادراکی با بعد کمترفضای ادراکی با بعد کمتربخشبندیهمان مسئله با نگرش پیشنهادی در این رساله (یادآوری)Perceptual SpaceDecision Space 12کدام کنش؟کدام کنش؟کدام کنش؟کدام کنش؟کدام نظر؟

اسلاید ۱۳: ۲ سوال کنترل توجه: ادراکی یا تصمیم؟!یادگیری کنترل توجه در فضای تصمیم به جای n تا حسگر، در واقع l عدد خبره داریمبه ازای هر موقعیت کدامین l’ از l تا خبره‌ها را برای مشوت انتخاب کنم تا کنش با بیشترین امید پاداش و کمترین هزینه را پیدا کنم؟یادگیری کنترل توجه در فضای ادراکی اگر ما حداکثر n حسگر (یا در حالت کلی n موقعیت مکانی/شیء مثلا در داخل یک مدالیتی مانند بینایی) داشته باشیم که به کمک آنها موقعیت یا حالت فضا را ادراک نماییم به ازای هر موقعیت کدامین n’ بیش از بقیه هم به لحاظ اطلاعاتی مفیدتر است و هم به لحاظ اقتصادی به صرفه‌تر است که استفاده شود؟۱۳

اسلاید ۱۴: دیدگاه پیشنهادی این پژوهش۱۴تعریف یک مسئله یادگیری در فضای ادراکی چندبعدیبینش (Intuition)+یادگیریAttentive Decision Fusionطراح خبرههدف این پژوهش، ارائه‌ی یک راه‌حل یکپارچه است برای حل مسئله‌ی Attentive Decision Fusion ولی در دو حوزه مختلف برای طراحی جمع خبرگان : برخط در کاربردهای رباتیکیبرون‌خط در کاربردهای شناسایی الگوطراحی جمع خبرگانCore این پژوهش

اسلاید ۱۵: اهمیت و انگیزه‌ی این پژوهش: چرا یادگیری؟یادگیری تنها راه حل ممکن است وقتیراه حل بهینه‌ی یک مسئله را در حالت کلی نمی‌دانیممدل محیط و سیگنال دقیق خطا را نداریممشاهده‌‌هایی که ربات و طراحش هر کدام در محیط انجام می‌دهند، متفاوت است۱۵

اسلاید ۱۶: اهمیت و انگیزه‌ی این پژوهش چه نوع یادگیری؟یک روش یادگیری در تعامل با محیطیک روش یادگیری فقط بر اساس یک ارزیابی غیرمستقیم از عملکردیک روش یادگیری که قابلیت وارد کردن هزینه برای هر کنش عامل را داشته باشد تا در مجموع کل هزینه را بتوان کنترل کرد.۱۶

اسلاید ۱۷: چرا روش توجهی برای ترکیب تصمیم؟!هزینه بر و طولانی بودن استخراج تمامی اطلاعات لازم برای یک تصمیم‌گیری جامعنیاز به پردازش اطلاعات انبوه و مشورت‌های متعدد با افراد خبره برای اتخاذ یک تصمیم منطقیدر مسائل تشخیص (پزشکی)، مشورت با یک خبره(پزشک) متخصص جدید، نیازمند فراهم کردن اطلاعات(انجام آزمایش‌های) جدید است؛ چرا که هر خبره (پزشک) ممکن است از منظری خاص به یک مسئله (بیماری) واحد بنگرد.پس به کمک ایده‌ی توجه این فرایند را تسهیل می‌کنیم.۱۷

اسلاید ۱۸: چالش‌های حوزه‌ی ترکیب تصمیم چیست؟دانش یک فرد خبره و حوزه‌ی خبرگی وی در حالت کلی بر روی حوزه‌ی مسئله، معمولا ناکامل و نایکنواست.بسیار محتمل است که پیشنهادهای یک خبره روی کل فضای مسئله ناکامل باشدپیشنهادها در مورد برخی پرسش‌هایی که در حوزه‌ی خبرگی وی واقع نشوند، برای وی گمراه‌کننده و حتی ابهام‌برانگیز هستند. منطقی نیست که ابتدا همه‌ی مشورت‌ها را به صورت یکجا انجام دهیم و سپس به یکباره و بر اساس کل آنها، اقدام به تصمیم‌گیری نماییم.بنابراین لازم است که به صورت ترتیبی و بر اساس انتخابی هوشمندانه و با توجه به میزان سودمندی نظر هر خبره، اقدام به انتخاب توجهی خبره‌ها کنیم!۱۸

اسلاید ۱۹: METALADFLOnline, InteractiveOffline, SupervisedTask TypeIs done byCan be solved byCan be considered from perspective ofNeedsNecessitatesIs done byشبکه‌ی مفهومی: نمایش ارتباط حوزه‌های پژوهشی مرتبط۱۹

اسلاید ۲۰: METALIs done byCan be considered from perspective ofNeedsNecessitatesشبکه‌ی مفهومی: نمایش ارتباط حوزه‌های پژوهشی مرتبط۲۰

اسلاید ۲۱: ۲۱مدلسازی یادگیری Attentive Decision Fusion‌به عنوان یک مسئله‌ی یادگیری تعاملی

اسلاید ۲۲: Decision support of an expert about all actionsنیاز به یک روش یادگیری پیوسته حالت و گسسته کنش‌Bayesian RL22

اسلاید ۲۳: مولفه‌های کلیدی MDP مفروض برای فرمول‌بندی مسئله۲۳

اسلاید ۲۴: تحقق چارچوب پیشنهادی این رساله در: حوزه برخط حوزه برون‌خط۲۴

اسلاید ۲۵: تحقق چارچوب در حوزه‌ی برون‌خط ۲۵

اسلاید ۲۶: به‌کارگیری ADFL در حوزه برون خط داده‌ی آزمون قابل‌اتکائی برای محک‌زنی مسئله‌ی ترکیب تصمیم نداریم.پس طبقه‌بندی و تشخیص را انتخاب کردیم، چون:طبقه‌بندی وظیفه‌ی مناسبی برای آزمودن یک روش تصمیم‌گیری از جنس ترکیب تصمیم به نظر می‌رسد.خبره‌های محلی که نیاز داریم را می‌توانیم به سادگی با طبقه‌بندهای محلی جایگزین نماییم.با انتخاب طبقه‌بندی به عنوان وظیفه‌ی محک، می‌توانیم روش خود را با روش‌های شناخته شده‌‌ی این حوزه مقایسه نماییم.اما بدین ترتیب، خبره‌ها را هم باید خودمان بسازیم!۲۶

اسلاید ۲۷: ساختن خبره‌ها: چند فرصت و یک تهدید!فرصت‌ها:روش ما به یک آلترناتیو برای محک‌زنی با روش‌های شناخته‌شده‌ی حوزه طبقه‌بندی تبدیل می‌شود با اینکار، در حوزه‌ی پیشنهاد و تست روش‌هایی برای طراحی خبرگان هم به عنوان یک By-product وارد می‌شویم.ورود به حوزه‌ی شناسایی الگو و شکل‌دهی فضای جایگزین یادگیری و ….تهدید:ارائه یک طراحی مناسب برای خبرگان ساده نیست: اگر خبره‌ها را از قبل داشتیم، صرفا برای مشورت با آنها هزینه لحاظ می‌کردیم و نظر آنها را در هر مورد بنا به روش خود به صورت ترتیبی ترکیب می‌کردیم و…۲۷

اسلاید ۲۸: طراحی خبره‌ها با هدف ایجاد تنوعBRSMPKSM28

اسلاید ۲۹: سیاست‌ BRSM برای طراحی LDEها۲۹روشی برای ایجاد یک طراحی سریع، ساده و طبعا تصادفی(البته به صورت متوازن) ایجاد کلاسه کننده‌های تقریبا هم‌قدرت The set of features: F Number of Experts = lRank the features according to the effect on CCR using Forward Selection/Backward EliminationSelect RF = Redundancy_Factor: the number of local experts having access to one feature.LF = Locality_Factor: the portion of whole feature space to be considered by a single local classifier.Set Number of Classifiers = l = 1/ LFNumber-of-Features-per-Classifier = fpcMake l bins of sorted features; each contains fpc features.Randomly select fpc features from these l bins to assign to the feature subspace of local experts.We have l different portions of feature space: f1,…, flBalanced Random Sub-space Metod

اسلاید ۳۰: ۳۰سیاست‌ PKSM برای طراحی LDEهاPre-Knowledge based Sun-sapce Methodتوزیع ویژگی‌های کم‌هزینه میان بیشتر خبره‌هااولویت دادن به طراحی که ویژگی‌های پرهزینه را به تعداد محدودی از خبره‌ها منتسب نماید بر طراحی‌ دیگری که بدون توجه به هزینه‌ی لازم برای به دست آوردن هر ویژگی، آنها را به صورت یکنواخت و بر اساس تصادف میان همه‌ی خبره‌ها تقسیم می‌نمایدThe set of features: F, Number of Classes = |C|Number of Experts = lDivide the features into two groups: expensive and inexpensiveAssign all inexpensive features to all local expertsIs Separability Index acceptableWe have l different portions of feature space: f1,…, fl called cls(i).f where YesMap all the training instances to the Decision Space Using the decision of each local expertCluster the Decision Space using Kmeans method into CN clusters2<T<MaxTClustMemij = number of members of class i in the cluster jRandomly distribute the expensive features among local experts

اسلاید ۳۱: داده‌ها و روش‌های محکداده‌ها:یازده داده‌ی انتخابی از مجموعه‌ داده‌های UCI ML Repositoryروش‌های فضای ویژگی:یک طبقه‌بند k-NN در فضای ویژگی‌روش Bagging روش Adaboost روش‌های فضای تصمیم:یک طبقه‌بند k-NN در فضای تصمیمروش‌های ترکیب تصمیم:برچسب خروجی: روش رای‌گیری اکثریترتبه‌ی تصمیم‌های خروجی: روش Borda-count خروجی پیوسته به فرم تصمیم‌های احتمالاتی پسین: روش OWA با وزن‌های بهینه به‌دست‌آمده از الگوریتم یادگیری گرادیان نزولی۳۱

اسلاید ۳۲: معیارهای ارزیابی پایهکارایی: متوسط نرخ تشخیص (در ۵ بار اجرا) روی داده‌ی آزمونقوام نسبت به نحوه‌ی تفکیک ویژگی‌ه