پکیج آموزش machine learning با رویکرد محیط زیستی

[دکتر مصطفی کلهر]

امروزه شبکه عصبی neural network و یادگیری ماشین machine learning در کنار هوش مصنوعی artificial intelligence مهمترین موضوعات عملی روز دنیا می باشند که به سرعت در حال گسترش به تمامی حوزه های علمی هستند.

فرصتهای اپلای در دانشگاه های مهم دنیا به دانشجویانی تعلق می گیرد که در این حوزه های دارای توانایی باشند.

شبکه عصبی، یادگیری ماشینی و هوش مصنوعی در تمامی گرایشات مهندسی و علوم پایه دارای کاربرد بوده و تمرکز مراکز علمی دنیا بر این امر نهاده شده است.

در این بخش قصد دارم تا یادگیری ماشین machine learning را به صورت کاربرد آن در محیط زیست environmental science آموزش دهم.

از مهمترین و شناخته شده ترین کاربردهای یادگیری ماشینی در محیط زیست بحث تنوع زیستی گونه ها biodiversity و کیفیت زیستگاه habitat quality می باشد.

یادگیری ماشینی دارای کاربردهای دیگری نیز در محیط زیست می باشد که در ادامه اشاره خواهد شد.

[دکتر مصطفی کلهر]

همانطور که در پست قبلی اشاره شد از کاربردهای مهم یادگیری ماشین و شبکه عصبی، مطالعات اکولوژیکی می باشد.

فرض کنید هدف شما یافتن زیستگاههای مطلوبSuitable Habitat یک گونه Species جانوری یا گیاهی باشد.

برای این منظور شما به دو دسته داده نیاز خواهید داشت:
1. داده های اقلیمی مانند دما، رطوبت، بارندگی و pH و غیره
2. داده های مشاهداتی حضور یا عدم حضور آن گونه جانوری

سوال اساسی آن است که بین داده های اقلیمی و حضور یا عدم حضور آن گونه جانوری ارتباطی پیدا کنید. اگر این الگو algorithm یا پترن pattern کشف شود در آن صورت شما قادر خواهید بود تا زیستگاههای مطلوب آن جانور را در سراسر منظر خود شناسایی و تخمین بزنید.

به عبارت دیگر چون شما قادر به جمع آوری داده های حضور یا عدم حضور جانور مورد نظر در سراسر منظر خود نیستید و این کار در عمل ممکن نیست بنابراین باید از مدلسازی و شبیه سازی جهت تخمین زیستگاهای مناسب که احتمال حضور آن جانور در آن است استفاده کنید.

برای یافتن این الگو و پترن است که داده کاوی Data Mining یا همان یادگیری ماشین Machine learning به کمک شما خواهد آمد.

جهت انجام یادگیری ماشین به دو چیز نیاز است:
1. داده های خام
2. الگوریتم یادگیری

الگوریتم یادگیری همان بخشی از یادگیری ماشینی است که به شبکه عصبی مرتبط می باشد. شبکه عصبی مهمترین و قویترین ابزار جهت یادگیری ماشین می باشد.

بنابراین یادگیری ماشین به معنای یافتن پترنها و الگوها در داده های خام به کمک شبکه عصبی می باشد.

بنابراین واژه های داده کاوی data mining، شبکه عصبی neural network، یادگیری ماشین machine learning، پترن و الگو pattern and algorithm و نهایتا هوش مصنوعی artificial intelligence همگی با هم مرتبط می باشند.

[دکتر مصطفی کلهر]

همانطور که قبلا بیان شد یادگیری ماشین به معنای داده کاوی data mining جهت یافتن مدلی است که بتواند خروجی های درست به ما دهد.

در یادگیری ماشین machine learning، کامپیوتر هیچ درکی از ماهیت داده ها ندارد و صرفا به دنبال یافتن الگوها و پترنها و الگوریتمهایی است که بتواند مدلی بسازد طوری که مدل ساخته شده به خوبی کار پیش بینی را انجام دهد.

ساده ترین مدلی که می تواند برای برقراری ارتباط بین ورودی و خروجی برقرار کرد مدلهای ساخته شده حاصل از روابط رگرسیونی regression مستقل است.

در این مدلها یک رابطه خطی بین ورودی ها و خروجی ها برقرار شده و فرض می شود که متغیرهای ورودی از هم مستقل هستند و با این روش شروع به آموزش training و تست test و نهایتا ساخت مدل می کنند.

مدلهای پیشرفته تر شامل روابط رگرسیونی غیر خطی non linear regression است.

مدلهای باز هم پیشرفته تر شامل مدلهایی می شود که در روابط آن اندرکنش و همبستگی بین متغیرهای ورودی نیز در نظر گرفته شده است.

به عبارت دیگر زمانی که متغیرهای ورودی دارای همسبتگی درونی با یکدیگر هستند در این مواقع می بایست از روشهایی استفاده کرد که این همبستگی را در نظر بگیرند.

یکی از این روشها روش بیشینه آنتروپی یا ماکزیمم انتروپی Maximum Entropy می باشد.

در این روش از بین مدلهایی که آموزش و تست شده اند، مدلی نهایتا انتخاب می گردد که خروجی آن مدل توزیعی را ارائه می کند که انتروپی این توزیع حداکثر است.

انتروپی یک توزیع همانند سایر آماره ها، یک عدد می باشد که با استفاده از فرمول خاص خود قابل محاسبه است.

انتروپی یک توزیع معیاری از میزان شگفتی پیشامدها آن توزیع است یعنی اگر توزیع بتواند هر چه بیشتر خروجی هایی تولید کند که احتمال رخداد آن بسیار کم است آن توزیع دارای انتروپی بیشتری است.

[دکتر مصطفی کلهر]

آموزش مبانی شبکه عصبی و یادگیری ماشین در قالب آموزش نرم افزار مکسنت maxent ارائه شده است.

مدل maxent مخفف maximum entropy بوده و نرم افزاری محیط زیستی جهت مدلسازی مطلوبیت زیستگاه می باشد.

منطق نرم افزار maxent برپایه آموزش training و آزمایش test بر پایه شبکه عصبی و یادگیری ماشین می باشد و خروجی مدل maxent مطوبیت زیستگاه به طریقی است که ماکزیمم انتروپی حاصل شده باشد.

قسمتهای اول و دوم آموزش را از لینکهای زیر ملاحظه فرمایید:

https://aparat.com/v/fIkEc

https://aparat.com/v/DsSgh

جهت مشاوره رایگان و تهیه پکیج های کامل تماس حاصل فرمایید.

[دکتر مصطفی کلهر]

قسمت دوم از آموزش مبانی یادگیری ماشین machine learning، شبکه عصبی neural network، هوش مصنوعی artificial intelligence و روش ماکزیمم انتروپی را از لینک زیر ملاحظه فرمایید:

https://aparat.com/v/R19OE

یکی از کاربردهای یادگیری ماشین بحث خوشه بندی clustering می باشد که در نرم افزارهای pmf و unmix آن را ملاحظه کرده بودیم.

جهت تهیه پکیج های کامل و مشاوره رایگان تماس حاصل فرمایید.

[دکتر مصطفی کلهر]

در این فیلم قسمتهایی از روش توابع پایه شعاعی RBF را آموزش داده ام.

روش RBF یکی از الگوریتمهای یادگیری training شبکه بوده و جوابهای خوبی ارائه می کند.

https://aparat.com/v/H0PBf

روش RBF به همراه روش LM جز پر کاربردترین روشهای آموزش شبکه می باشند.

[دکتر مصطفی کلهر]

نرم افزار متلب MATLAB یک برنامه قوی جهت اجرای یادگیری ماشینی Machine Learning و شبکه عصبی Neural Network و یادگیری عمیق Deep Learning می باشد.

در این ویدئو نحوه کار با متلب MALTAB و شبکه عصبی آموزش داده شده است:

https://aparat.com/v/ZnYfj


(https://aparat.com/v/ZnYfj)جهت تهیه فیلمهای کامل و مشاوره رایگان تماس حاصل فرمایید.