پاورپوینت کامل بازیابی کارا و مؤثر اطلاعات وب با استفاده از دستاوردهای یادگیری ماشین: طراحی و تکامل روشهای یادگیری تقویتی در کاوش متمرکز ۶۹ اسلاید در PowerPoint

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

 پاورپوینت کامل بازیابی کارا و مؤثر اطلاعات وب با استفاده از دستاوردهای یادگیری ماشین: طراحی و تکامل روشهای یادگیری تقویتی در کاوش متمرکز ۶۹ اسلاید در PowerPoint دارای ۶۹ 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 بازیابی کارا و مؤثر اطلاعات وب با استفاده از دستاوردهای یادگیری ماشین: طراحی و تکامل روشهای یادگیری تقویتی در کاوش متمرکز ۶۹ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل بازیابی کارا و مؤثر اطلاعات وب با استفاده از دستاوردهای یادگیری ماشین: طراحی و تکامل روشهای یادگیری تقویتی در کاوش متمرکز ۶۹ اسلاید در PowerPoint

اسلاید ۴: ۴کاوش متمرکز وبکاوش متمرکز وب به عنوان راه حلی برای بازیابی اطلاعات وب صفحات مربوط به یک موضوع و یا از نوع خاص را جستجو و کپی کرده، شاخص­بندی و نگهداری می کند. نتایج مورد انتظار از کاوش متمرکز یافتن بیشترین صفحات مربوط با کاوش کمترین ابرپیوند نامربوطتحقیقات مرتبطFishWeb WatcherPage-RankIBM Focused Crawler (Clever)CoraContext Focused CrawlerKAONApprentice

اسلاید ۵: ۵معماری کاوشگرهای متمرکزمؤلفه تنظیمات اولیه (صفحات اولیه کاوش)کاوشگر(های) وبوباسناد مربوط به موضوع مورد تمرکزصف اولویت URLهاتشخیص میزان تشابه صفحه به موضوع کاوش (دسته بندی کننده)تخمین میزان ربط ابرپیوندهای استخراج شده به موضوع صفحات مرتبطURLهای استخراج شدهURLصفحه وبصفحه وبQ/ مقدار URLآدرس شروعURL حد آستانه

اسلاید ۶: ۶دستاوردهای این پروژهکاوش متمرکز وب با استفاده از یادگیری تقویتیتوسعه روشهای Cora برای محاسبه مقدار Q یادگیری تقویتی و پیشنهاد روشهای جدیداستفاده از دسته بندی کننده ماشینهای بردار پشتیبان برای اولین بار در کاوشگرها و مقایسه با نتایج قبلیارزیابی تاثیر مقادیر متفاوت پارامترهای یک کاوشگر یادگیری تقویتی در کارآیی کاوشگر مانند متن اطراف ابرپیوند، تعداد دسته ها در دسته بندی کننده و مقدار گاما در محاسبه Qتوسعه پرس و جوی کاربر در کاوشگرهای متمرکز معرفی ابزار سلسله مراتب مفهومی با دامنه خاص و استفاده از آن برای توسعه خودکار پرس و جوی کاربر در معماری -CSََAKUطراحی، پیاده سازی و ارزیابی الگوریتمی جدید برای یادگیری سلسله مراتب مفهومی با دامنه خاص با استفاده از اسناد آموزشی پیشنهاد یک معماری یکپارچه (با ارائه چارچوب فرمال ) برای موتورهای جستجوی با دامنه خاص که از سلسله مراتب مفهومی با دامنه خاص و استدلال بر پایه موارد برای یادگیری از جستجوهای قبلی استفاده می کند

اسلاید ۷: ۷یادگیری تقویتییادگیری تقویتیبه چارچوبی برای یادگیری خط مشی بهینه از محاوره با یک محیط پویا و با مکانیسم پاداش و جزا اشاره دارد.EnvironmentAgentSTATE , REWARDACTIONS: set of available States , A: set of available Actions,T: SAS, Transition FunctionR: SAR, Reward Function,: SA, Learned Policy *: Optimal Policy, which maximizes the values of states, for all state s.V*: Value Function of Optimal PolicyQ*: expected return of taking action a in state s, and thereafter following optimal policyrt: Received reward in t step after starting from s, : discount factor, V (s) = Value of state sQ*(s,a) = R(s,a) + V*(T(s,a))

اسلاید ۸: ۸یادگیری تقویتی برای کاوش متمرکزخواصی از یادگیری تقویتی که آن را برای کاوش متمرکز مناسب می سازد:توانایی مدل کردن پاداشهای تاخیری (آینده) حاصل از تعقیب ابرپیوندهاامکان یادگیری از سعی و خطا – مناسب برای محیط های پویا و با تعداد داده های آموزشی کمکارآیی به صورت پاداش در طول زمان قابل اندازه گیری استمزیت کاوشگر یادگیری تقویتی بر کاوشگر متمرکز معمولیامکان در نظر گرفتن پاداش های آینده یک ابرپیوند در اولویت کاوش آن

اسلاید ۹: ۹نگاشت کاوش متمرکز به یادگیری تقویتیتوابع T و R مشخص هستندپاداشهای آنی (R: Reward Function)سند مرتبط حاصل از کلیک کردن ابرپیوندپاداشهای آینده (V: Value function)سند (اسناد) مرتبط حاصل از تعقیب ابرپیوند در چند سطح بعدتر“عمل”: تعقیب (پیمایش) یک ابرپیوند خاص (A: set of actions) تعداد اعمال در اختیار، پویا و بزرگحالت شامل (S: set of states)مجموعه اسناد هدفی است که باید کاوش شوند.مجموعه‌ پیوندهایی که یافته شده‌اند.

اسلاید ۱۰: ۱۰نگاشت کاوش متمرکز به یادگیری تقویتی (ادامه)مشکلاتفضای حالات بسیار بزرگ است.تعداد اعمال در اختیار هم بسیار زیاد است فرض های کاوشگر یادگیری تقویتی Cora برای سادگی و تعمیم مساله: حالت مستقل از اینست که کدام اسناد هدف تابحال دیده ‌شده‌اند. تبدیل تمامی حالات به یک حالتمیزان ربط اعمال (ابرپیوندها) به موضوع (هدف) می‌تواند با کلمات در همسایگی ابرپیوند متناظر با هر عمل مشخص شود. می‌توان بین ابرپیوندها تعمیم انجام داد و آنها را بوسیله متن اطرافشان با هم مقایسه کرد.

اسلاید ۱۱: ۱۱طراحی کاوشگر متمرکز یادگیری تقویتیامکان یادگیری برخططراحی کاوشگر یادگیری تقویتی در این پروژهفاز آماده سازی بستر آزمایش و پیش پردازش فاز یادگیری فاز آزمایش

اسلاید ۱۲: ۱۲مشخصات بستر آزمایشعدم امکان استفاده از پایگاه های وب ایرانیبستر آزمایشپایگاه های وب بخش های علوم کامپیوتر چهار دانشگاه Boston، Brown، Pitt و UCDavis

اسلاید ۱۳: ۱۳طراحی کاوشگر یادگیری تقویتی (معماری بخش آماده سازی بستر آزمایش و پیش پردازش )مولفه تنظیمات اولیهکاوشگر اول-سطحپردازش سندپیش پردازشلیست مقالاتتعداد مقالات در سطوح هر URLوبURL شروعL :تعداد سطوح کاوشURLصفحه وب URL / صفحه وبURL/ صفحهHTMLURL مقاله پایگاه داده درهمسازیلیست URLهای پایگاهURLپدر/ URLنتیجه کاوش

اسلاید ۱۴: ۱۴طراحی کاوشگر یادگیری تقویتی (معماری بخش یادگیری)کاوشگر اول-سطحنوع متن همسایگیURLصفحه وبپایگاه داده درهمسازیمحاسبه مقدار-Q هر URLمقدار-Q هر URLزوجهای مجموعه کلمات/مقدار Q- برای هر آدرستعداد مقالات در سطوح هر URLدسته بندی بر اساس مقدار-Qمولفه تنظیمات اولیهیادگیرنده (دسته بندی کننده)دسته های آموزشیتعداد دسته هاروش محاسبهمتن ابرپیوند و همسایگی آن / مقدار- Q

اسلاید ۱۵: ۱۵دسته بندی کننده های متن دسته بندی کننده بیز ساده (مورد استفاده در Cora)روش آماری برای دسته بندی متن (احتمال تعلق یک متن به هر دسته)از روش بیز استفاده می کند و کلمه “ساده” به این معنی است که احتمال رخداد کلمات در هر دسته و سند را مستقل از هم در نظر می گیرد.روش شناخته شده و پر کاربرد برای دسته بندی متندسته بندی کننده ماشینهای بردار پشتیبان (SVMs)بر اصل حداقل سازی خطای ساختاری در نظریه یادگیری محاسباتی تکیه دارد یافتن قضیه h که حداقل خطای مطلق را تضمین میکند، معادل یافتن چند سطحی است که دارای حداکثر حاشیه با بردارهای پشتیبان در داده های آموزشی است

اسلاید ۱۶: ۱۶دسته بندی کننده های متن (دسته بندی کننده SVMs)دلایل تناسب ماشینهای بردار پشتیبان برای دسته بندی متن ابعاد زیاد فضای ورودی – راه حل SVMsبه تعداد ویژگیها (صفات) بستگی ندارد. تعداد کم ویژگیهای غیر مرتبط تُنک بودن بردارهای اسناد ماشینهای بردار پشتیبان Transductive روش TSVMSیک نوع خاص از SVMsاست که هدفش یادگیری از تعداد معدودی داده آموزشی است در دسته بندی متن نسبت به الگوریتم SVMsبه کارآیی بهتری دست یافته استدستاورد استنتاج Transductive به جای استقراء (Induction) استفاده میکند در استقرا، یادگیرنده سعی میکند تا به طریقه استقراء یک تابع تصمیم را نتیجه بگیرد که دارای نرخ خطای پایینی در تمامی توزیعهای داده های آموزشی و آزمایشی برای یک یادگیری خاص باشد. در بسیاری از موقعیتها می خواهیم یک مجموعه از مثالها (مجموعه آموزشی) را با کمترین خطای ممکن دسته بندی کنیم. این مساله، هدف استنتاج Transductive است.

اسلاید ۱۷: ۱۷Immediate (Two classes): – std. FCIf the link is a paper its Q value is 1 else 0.Distance: Calculates Q values as gamma ^ (distance to the nearest reward)Future (Three classes):Calculate Q values for three classes – immediate, future, none. Score = 1 for immediate, gamma for future, zero for none. Future (Four classes):Calculates Q values for four classes – immediate, one-step, two-step, none.Score = 1 for immediate, gamma for one-step, gamma^2 for two-steps, zero for noneروشهای محاسبه Q در این پروژهروشهای توسعه یافته از Coraروش آنی (۲ دسته) روش فاصلهروش آینده (۳ دسته) آینده (۴ دسته) آینده (۵ دسته) آینده (موازی) تعداد مقالات تحقیقی روشهای جدیدروش برش مقدار تغییر خط مشی روش مکاشفه ای Future (Five classes):Calculates Q values for four classes – immediate, one-step, two-step, three-step, none. Score = 1 for immediate, gamma for one-step, gamma^2 for two-steps, gamma^3 for three-steps, zero for none.Future (Parallel):Calculates Q values as future reward, Num(reward) * (gamma ^ distance)Papers:Calculates Q values as number of papers available from link.Cutoff:Calculates according to path, if value < $cutoff, gives value of 0.Number of traversed links leads to increase in exponent of gammamy $count = 0;for (my $i=0; $i < 10; $i++){ # Bonus reward for each item at this level for (my $j=0; $j < $depth[$i]; $j++) { $score_cutt += $gamma ** $count; $count++ } # link to move to next level $count++;}$score_cutt = 0 if ($score_cutt < $cutoff);

اسلاید ۱۸: ۱۸طراحی کاوشگر یادگیری تقویتی (فازآزمایش )مولفه تنظیمات اولیهکاوشگر یادگیری تقویتیدسته بندی کننده(بیز ساده یا ماشینهای بردار پشتیبان)پایگاه داده درهم سازیصف اولویتURLصفحه وبURL / متن همسایگیاحتمالات تعلقآدرس شروعمحاسبه مقدار-QURL/مقدار-QURL با بیشترین مقدار-Qلیست مقالاتنتیجه کاوش

اسلاید ۱۹: ۱۹پیاده سازی کاوشگر یادگیری تقویتیشرایط سخت افزاریپنتیوم IV با پردازنده MHz6/1 و با مقدار Ram برابر ۵۱۲ مگابایت و دیسک سخت۴۰ گیگابایت سیستم عامل و زبان برنامه نویسیسیستم عامل لینوکس و زبانهای Perl و C تحت این سیستم عاملمولفه های آماده مورد استفاده Webget Rainbow – Text Processing Package (‍Classification,…)Naïve Bayes ClassifierSupport Vector Machines Classifierکدهای غیر تجاری Cora

اسلاید ۲۰: ۲۰پیاده سازی کاوشگر یادگیری تقویتی (تعداد آزمایشات انجام شده)تعداد آزمایشها با تمامی ترکیب ها: ۱۲۰۰ آزمایشتعداد آزمایش انج