Más contenido relacionado Big Data and Machine Learning Workshop - Day 1 @ UTACM2. 2
ﺷﺮﻭوﻉع ﺍاﺯز ﻗﺒﻞﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
UTACMBDML :ﺑﺎﺷﯿﻢ ﺍاﺭرﺗﺒﺎﻁط ﺩدﺭر ﻫﻢ ﺑﺎ ﺩدﻭوﺭرﻩه ﻃﻮﻝل ﺩدﺭر ﺍاﯾﻨﮑﻪ ﺑﺮﺍاﯼی ﮐﻨﯿﺪ ﺩدﺭرﺳﺖ ﺗﻠﮕﺮﺍاﻣﯽ ﮔﺮﻭوﻩه ﯾﮏ
ﮐﻨﯿﺪ ﺩدﺍاﻧﻠﻮﺩد ﻣﯿﺘﻮﻧﯿﺪ ﻭو ﺍاﺳﻼﯾﺪﺷﺮ ﺭرﻭوﯼی ﻣﯿﺮﻩه ﺟﻠﺴﻪ ﻫﺮ ﺍاﺯز ﺑﻌﺪ ﻫﺎﺪﺍاﺳﻼﯾ
ﺷﻮﯾﻢﯽﻣ ﺁآﭼﺎﺭر ﺑﻪ ﺩدﺳﺖ ﮐﻤﯽ ﺟﻠﺴﻪ ﻫﺮ ﺩدﺭر ،ﻫﺴﺘﯿﺪ ﺁآﺷﻨﺎ ﻧﻮﯾﺴﯽﻪﺑﺮﻧﺎﻣ ﺑﺎ ﮐﻪ ﺍاﯾﻨﻪ ﻣﺎ ﻓﺮﺽض
ﮔﯿﺮﯾﺪﯽﻣ ﯾﺎﺩد ﺳﺮﯾﻊ ﮐﻪ ﺍاﯾﻨﻪ ﻣﺎ ﻓﺮﺽض
ﮐﻨﯿﺪ ﺳﺎﮐﺖ ﯾﺎ ﺧﺎﻣﻮﺵش ﻫﺎﺭرﻭوﻞﻣﻮﺑﺎﯾ ﻟﻄﻔﺎ
ﺑﺬﺍاﺭرﯾﻦ ﺧﺎﻟﯽ ﺭرﺳﻦﯽﻣ ﺩدﯾﺮﺗﺮ ﺍاﺣﺘﻤﺎﻻ ﮐﻪ ﺍاﻭوﻧﺎﯾﯽ ﺑﺮﺍاﯼی ﺭرﻭو ﮐﻼﺱس ﺩدﺭر ﻧﺰﺩدﯾﮏ ﻫﺎﯼیﯽﺻﻨﺪﻟ ﻟﻄﻔﺎ
ﮐﻨﯿﺪﯽﻣ ﺍاﯾﻤﯿﻞ ﺑﺮﺍاﻡم ﺑﻌﺪﯼی ﮐﻼﺱس ﺍاﺯز ﻗﺒﻞ ﻭو ﻣﯿﺪﯾﻦ ﺍاﻧﺠﺎﻡم ﮐﻪ ﺩدﺍاﺭرﯾﺪ ﺧﻮﻧﻪ ﺗﻮﯼی ﺑﺮﺍاﯼی ﮐﻮﭼﮏ ﮐﺎﺭر ﯾﮏ
ﮐﻨﯿﻢ ﻣﻄﺮﺡح ﮔﺮﻭوﻩه ﺩدﺭر ﯾﺎ ﮐﻼﺱس ﺍاﺯز ﺑﻌﺪ ﺭرﻭو ﺑﺤﺮﺍاﻧﯽ ﻏﯿﺮ ﻫﺎﯼیﺶﭘﺮﺳ .ﺩدﺍاﺭرﻩه ﺗﻌﻠﻖ ﻫﺎﻪﺑﭽ ﻫﻤﻪ ﺑﻪ ﮐﻼﺱس ﺯزﻣﺎﻥن
ﺍاﻧﺪﻩهﺷﺪ ﻣﺸﺨﺺ Q ﺑﺎ ﺍاﺳﻼﯾﺪ ﺩدﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ ﮐﻮﭼﮏ ﻫﺎﯾﯽﺰ4ﮐﻮ ﮐﻼﺱس ﻃﻮﻝل ﺩدﺭر
ﮐﻨﯿﺪ ﺭرﺍاﻫﻨﻤﺎ4ﻢ ﻟﻄﻔﺎ ،ﻣﯿﺮﺳﻪ ﺑﮕﻮﺵش ﻧﺎﻣﺎﻧﻮﺱس ﮐﻪ ﺑﺮﻡمﯽﻣ ﺑﮑﺎﺭر ﺍاﯼیﻩهﻭوﺍاﮊژ ﺍاﮔﺮ
3. 3
ﺁآﻣﻮﺯزﯾﻢﯽﻣ ﺩدﻭوﺭرﻩه ﺍاﯾﻦ ﺩدﺭر ﺁآﻧﭽﻪﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺷﯿﻢﯽﻣ ﺁآﺷﻨﺎ ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻫﺎﯼیﺵشﺭرﻭو ﻭو ﻣﻔﺎﻫﯿﻢ ﺑﺮﺧﯽ ﺑﺎ
ﺷﯿﻢﯽﻣ ﺁآﺷﻨﺎ ﻫﺎﺩدﮐﺎﺭرﺑﺮ ﻭو (ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩدﻩه/ﺩدﺍاﺩدﻥنﺩدﯾﺘﺎ/ﮐﻼﮓ)ﺑﯿ ﺩدﺍاﺩدﻩهﻪ ِﻣ ﭘﺮﺩدﺍاﺯزﺵش ﻣﻔﺎﻫﯿﻢ ﺑﺎ
ﻣﯿﺸﯿﻢ ﺁآﺷﻨﺎ ()ﺗﻮﺍاﻡم ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﭘﺮﺩدﺍاﺯزﺵش ﺑﺎﺯزﻦﻣﺘ ﻫﺎﯼیﺭرﺍاﺑﺰﺍا ﺑﺎ
ﺷﯿﻢﯽﻣ ﺁآﺷﻨﺎ ﺻﻨﻌﺖ ﻭو ﺑﺎﺯزﺍاﺭر ﭘﯿﭽﯿﺪﻩه ﻫﺎﯼیﺯزﻧﯿﺎ ﺑﻪ ﭘﺎﺳﺦ ﺑﺮﺍاﯼی ﺍاﻋﺘﻤﺎﺩد ﻗﺎﺑﻞ ﻫﺎﯾﯽﻞﺣﻩهﺭرﺍا ﺗﻮﺳﻌﻪ ﺭرﻭوﺵش ﺑﺎ
5. 5
ﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺁآﻣﺪﯾﺪ ﺧﻮﺵش
6. 6
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
18 June 1886 – 8 or 9 June 1924
George Mallory
7. 7
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
18 June 1886 – 8 or 9 June 1924
George Mallory
Q
"Why did you want to climb Mount Everest?"
8. 8
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
18 June 1886 – 8 or 9 June 1924
George Mallory
Q
"Why did you want to climb Mount Everest?"
"Because it's there"
A
9. 9
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺍاﮔﺮ ،ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻮﺳﻂ ،ﻭوﺍاﻗﻌﯽ ﺩدﻧﯿﺎﯼی ﻣﺴﺎﺋﻞ ﺍاﺯز ﺑﺴﯿﺎﺭرﯼی ﮐﺮﺩدﻥن ﺣﻞ
.ﺍاﺳﺖ ﺳﺨﺖ ﺑﺴﯿﺎﺭر ،ﻧﺒﺎﺷﺪ ﻣﻤﮑﻦ ﻏﯿﺮ
10. 10
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
11. 11
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻫﺴﺘﻨﺪ؟ ﻢﺑﺪﺧﯿ ﻫﺎﺭرﺗﻮﻣﻮ ﮐﺪﺍاﻡم
12. 12
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺩدﺍاﺭرﺩد؟ ﺑﻬﺘﺮﯼی ﺳﺮﻣﺎﯾﻪ ﺑﺎﺯزﮔﺸﺖ ﻣﻠﮏ ﮐﺪﺍاﻡم
13. 13
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺁآﯾﺪ؟ﯽﻣﺭرﺩد ﭘﺮﻭوﺍاﺯز ﺑﻪ ﯾﺎ ﺷﻮﺩدﯽﻣ ﻣﻨﻔﺠﺮ ﭘﺮﺗﺎﺏب ﻫﻨﮕﺎﻡم ﻣﻮﺷﮏ ﺍاﯾﻦ
14. 14
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺩدﺍاﺭرﺩد؟ ﺩدﻭوﺳﺖ ﺭرﺍا ﻫﺎﭗﮐﻠﯿ ﮐﺪﺍاﻡم ﮐﺎﺭرﺑﺮ ﺍاﯾﻦ
15. 15
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
…ﭼﻬﺮﻩه ﺗﺸﺨﯿﺺ
16. 16
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
17. 17
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
18. 18
ﺩدﺍاﺭرﻩه ﻭوﺟﻮﺩد ﺯزﯾﺎﺩدﯼی ﭘﯿﭽﯿﺪﻩه ﻣﺴﺎﺋﻞ ﻣﺎ ﺍاﻃﺮﺍاﻑف ﺩدﺭرﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
!ﺑﭙﺮ
19. 19
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
20. 20
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﻪ ﻣﻘﺮﻭوﻥن ﻭو ﻋﻤﻠﯽ ،ﻣﺴﺌﻠﻪ ﻫﺮ ﺣﻞ ﺑﺮﺍاﯼی ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻌﺮﯾﻒ ﻭو ﻃﺮﺍاﺣﯽ
ﻧﯿﺴﺖ ﺻﺮﻓﻪ
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
21. 21
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﻪ ﻣﻘﺮﻭوﻥن ﻭو ﻋﻤﻠﯽ ،ﻣﺴﺌﻠﻪ ﻫﺮ ﺣﻞ ﺑﺮﺍاﯼی ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻌﺮﯾﻒ ﻭو ﻃﺮﺍاﺣﯽ
ﻧﯿﺴﺖ ﺻﺮﻓﻪ
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﺪﻫﯿﻢ ﻣﺎﺷﯿﻦ ﺑﻪ
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
22. 22
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﻪ ﻣﻘﺮﻭوﻥن ﻭو ﻋﻤﻠﯽ ،ﻣﺴﺌﻠﻪ ﻫﺮ ﺣﻞ ﺑﺮﺍاﯼی ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻌﺮﯾﻒ ﻭو ﻃﺮﺍاﺣﯽ
ﻧﯿﺴﺖ ﺻﺮﻓﻪ
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﮕﯿﺮﺩد ﻣﺎﺷﯿﻦ
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﺪﻫﯿﻢ ﻣﺎﺷﯿﻦ ﺑﻪ
23. 23
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﻪ ﻣﻘﺮﻭوﻥن ﻭو ﻋﻤﻠﯽ ،ﻣﺴﺌﻠﻪ ﻫﺮ ﺣﻞ ﺑﺮﺍاﯼی ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻌﺮﯾﻒ ﻭو ﻃﺮﺍاﺣﯽ
ﻧﯿﺴﺖ ﺻﺮﻓﻪ
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﮕﯿﺮﺩد ﻣﺎﺷﯿﻦ
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
ﺭرﻭوﺩدﯽﻣ ﭘﯿﺶ ﻣﺴﺎﺋﻞ ﺍاﻧﻮﺍاﻉع ﺣﻞ ﺑﺮﺍاﯼی ﻓﺮﺍاﮔﯿﺮ ﻭو ﯾﻮﻧﯿﻔﺮﻡم ﻫﺎﯼیﺵشﺭرﻭو ﺍاﺑﺪﺍاﻉع ﺳﻤﺖ ﺑﻪ ﺑﺸﺮ
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﺪﻫﯿﻢ ﻣﺎﺷﯿﻦ ﺑﻪ
24. 24
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﻪ ﻣﻘﺮﻭوﻥن ﻭو ﻋﻤﻠﯽ ،ﻣﺴﺌﻠﻪ ﻫﺮ ﺣﻞ ﺑﺮﺍاﯼی ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻌﺮﯾﻒ ﻭو ﻃﺮﺍاﺣﯽ
ﻧﯿﺴﺖ ﺻﺮﻓﻪ
ﺭرﻭوﺩدﯽﻣ ﭘﯿﺶ ﻣﺴﺎﺋﻞ ﺍاﻧﻮﺍاﻉع ﺣﻞ ﺑﺮﺍاﯼی ﻓﺮﺍاﮔﯿﺮ ﻭو ﯾﻮﻧﯿﻔﺮﻡم ﻫﺎﯼیﺵشﺭرﻭو ﺍاﺑﺪﺍاﻉع ﺳﻤﺖ ﺑﻪ ﺑﺸﺮ
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﮕﯿﺮﺩد ﻣﺎﺷﯿﻦ
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
Machine Learning
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﺪﻫﯿﻢ ﻣﺎﺷﯿﻦ ﺑﻪ
25. 25
ﻣﺴﺌﻠﻪ ﺣﻞ ﻫﺎﯼیﺵشﺭرﻭو ﺗﮑﺎﻣﻞ ﺳﯿﺮﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﻪ ﻣﻘﺮﻭوﻥن ﻭو ﻋﻤﻠﯽ ،ﻣﺴﺌﻠﻪ ﻫﺮ ﺣﻞ ﺑﺮﺍاﯼی ﺍاﺧﺘﺼﺎﺻﯽ ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺗﻌﺮﯾﻒ ﻭو ﻃﺮﺍاﺣﯽ
ﻧﯿﺴﺖ ﺻﺮﻓﻪ
ﺭرﻭوﺩدﯽﻣ ﭘﯿﺶ ﻣﺴﺎﺋﻞ ﺍاﻧﻮﺍاﻉع ﺣﻞ ﺑﺮﺍاﯼی ﻓﺮﺍاﮔﯿﺮ ﻭو ﯾﻮﻧﯿﻔﺮﻡم ﻫﺎﯼیﺵشﺭرﻭو ﺍاﺑﺪﺍاﻉع ﺳﻤﺖ ﺑﻪ ﺑﺸﺮ
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﮕﯿﺮﺩد ﻣﺎﺷﯿﻦ
ﮐﻨﯿﻢ ﺳﺎﺯزﯼی ﭘﯿﺎﺩدﻩه ﻭو ﻃﺮﺍاﺣﯽ ﺍاﺧﺘﺼﺎﺻﯽ ﺍاﻟﮕﻮﺭرﯾﺘﻤﯽ ﻣﺴﺌﻠﻪ ﻫﺮ ﺑﺮﺍاﯼی
Machine Learning
Deep Learning
ﯾﺎﺩدﺑﮕﯿﺮﺩد ﮐﻪ ﯾﺎﺩدﺑﺪﻫﯿﻢ ﻣﺎﺷﯿﻦ ﺑﻪ
26. 26
ﺗﻌﺮﯾﻒ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼی
Machine Learning
27. 27
ﺗﻌﺮﯾﻒ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
“[Machine Learning is the] field of study that gives computers the ability
to learn without being explicitly programmed.” - Arthur Samuel, 1959
28. 28
ﺗﻌﺮﯾﻒ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
“A computer program is said to learn from experience E with respect to
some task T and some performance measure P, if its performance on T,
as measured by P, improves with experience E.” - Tom Mitchell, 1997
29. 29
ﻣﺜﺎﻝل - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
So if you want your program to predict, traffic patterns at a busy
intersection (task T), you can run it through a machine learning algorithm
with data about past traffic patterns (experience E) and, if it has
successfully “learned”, it will then do better at predicting future traffic
patterns (performance measure P).
Experience E Task T
30. 30
ﺑﺪﯾﻦ ﺟﻮﺍاﺏب ﺷﻤﺎ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
31. 31
ﺑﺪﯾﻦ ﺟﻮﺍاﺏب ﺷﻤﺎ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
32. 32
ﺑﺪﯾﻦ ﺟﻮﺍاﺏب ﺷﻤﺎ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
33. 33
ﭘﺎﺳﺦ - ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
T
E
P
34. 34
ﻧﻈﺎﺭرﺕتﺎﺑ - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Supervised machine learning: The program is “trained” on a
pre-defined set of “training examples”, which then facilitate its
ability to reach an accurate conclusion when given new data.
35. 35
ﻧﻈﺎﺭرﺕتﺎﺑ - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Supervised machine learning: The program is “trained” on a
pre-defined set of “training examples”, which then facilitate its
ability to reach an accurate conclusion when given new data.
Most Popular
36. 36
ﻧﻈﺎﺭرﺕتﺎﺑ - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Supervised machine learning: The program is “trained” on a
pre-defined set of “training examples”, which then facilitate its
ability to reach an accurate conclusion when given new data.
Most Popular
Right Answers are Given
37. 37
ﻧﻈﺎﺭرﺕتﯽﺑ - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Unsupervised machine learning: The program is given a bunch
of data and must find patterns and relationships therein.
38. 38
ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
(Supervised Learning ) ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی
ﺭرﮔﺮﺍاﺳﯿﻮﻥن
(Classification) ﺑﻨﺪﯼیﻪﻃﺒﻘ ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﻪﺳﺎﻣﺎﻧ
39. 39
ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺗﺎ؟ ﭼﻨﺪ ﭼﻘﺪﺭر؟
(Supervised Learning ) ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی
ﺭرﮔﺮﺍاﺳﯿﻮﻥن
(Classification) ﺑﻨﺪﯼیﻪﻃﺒﻘ ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﻪﺳﺎﻣﺎﻧ
40. 40
ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺗﺎ؟ ﭼﻨﺪ ﭼﻘﺪﺭر؟
ﺧﻮﺑﻪ؟ ﮐﯿﻔﯿﺘﺶ ﺍاﺳﺖ؟ ﺑﯿﻤﺎﺭر ﺁآﯾﺎ
(Supervised Learning ) ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی
ﺭرﮔﺮﺍاﺳﯿﻮﻥن
(Classification) ﺑﻨﺪﯼیﻪﻃﺒﻘ ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﻪﺳﺎﻣﺎﻧ
41. 41
ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺗﺎ؟ ﭼﻨﺪ ﭼﻘﺪﺭر؟
ﺧﻮﺑﻪ؟ ﮐﯿﻔﯿﺘﺶ ﺍاﺳﺖ؟ ﺑﯿﻤﺎﺭر ﺁآﯾﺎ
(Supervised Learning ) ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی
ﺭرﮔﺮﺍاﺳﯿﻮﻥن
(Classification) ﺑﻨﺪﯼیﻪﻃﺒﻘ ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﻪﺳﺎﻣﺎﻧ
42. 42
ﺷﺪﻩهﺕتﻧﻈﺎﺭر ﯾﺎﺩدﮔﯿﺮﯼی ﯾﺎ ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻧﻈﺎﺭرﺕت ﺑﺎ ﯾﺎﺩدﮔﯿﺮﯼی
43. 43
ﺭرﮔﺮﺍاﺳﯿﻮﻥن - ﺑﺎﻧﻈﺎﺭرﺕت - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺗﻮﺳﻌﻪ ﻧﻬﺎﯾﯽ ﻫﺪﻑف ،ﺑﺎﻧﻈﺎﺭرﺕت ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺍاﻏﻠﺐ ﺩدﺭر
.ﮔﻮﯾﻨﺪﯽﻣ (Hypothesis) ”“ﻓﺮﺿﯿﻪ ﺁآﻥن ﺑﻪ ﮐﻪ ﺍاﺳﺖ
ﺍاﯾﻦ ﺳﺎﺧﺘﻦ ﺑﻬﯿﻨﻪ ﻣﻨﻈﻮﺭر ﺑﻪ ﯽﺭرﯾﺎﺿ ﭘﯿﭽﯿﺪﻩه ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺍاﺯز ﺑﺮﺩدﺍاﺭرﯼیﻩهﺑﻬﺮ ﺣﺎﻭوﯼی ”“ﯾﺎﺩدﮔﯿﺮﯼی
.ﺍاﺳﺖ x ﻭوﺭرﻭوﺩدﯼی ﻣﻘﺪﺍاﺭر ﺍاﺯزﺍاﯼی ﺑﻪ ﺗﺎﺑﻊ
44. 44
ﺭرﮔﺮﺍاﺳﯿﻮﻥن - ﺑﺎﻧﻈﺎﺭرﺕت - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺗﻮﺳﻌﻪ ﻧﻬﺎﯾﯽ ﻫﺪﻑف ،ﺑﺎﻧﻈﺎﺭرﺕت ﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺍاﻏﻠﺐ ﺩدﺭر
.ﮔﻮﯾﻨﺪﯽﻣ (Hypothesis) ”“ﻓﺮﺿﯿﻪ ﺁآﻥن ﺑﻪ ﮐﻪ ﺍاﺳﺖ
ﺍاﯾﻦ ﺳﺎﺧﺘﻦ ﺑﻬﯿﻨﻪ ﻣﻨﻈﻮﺭر ﺑﻪ ﯽﺭرﯾﺎﺿ ﭘﯿﭽﯿﺪﻩه ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺍاﺯز ﺑﺮﺩدﺍاﺭرﯼیﻩهﺑﻬﺮ ﺣﺎﻭوﯼی ”“ﯾﺎﺩدﮔﯿﺮﯼی
.ﺍاﺳﺖ x ﻭوﺭرﻭوﺩدﯼی ﻣﻘﺪﺍاﺭر ﺍاﺯزﺍاﯼی ﺑﻪ ﺗﺎﺑﻊ
x = ﻣﺮﺑﻊ ﻣﺘﺮ ﺑﻪ ﻣﻠﮏ ﻣﺴﺎﺣﺖ
h(x) = ﺑﺎﺯزﺍاﺭر ﺩدﺭر ﻣﻠﮏ ﺑﻬﺎﯼی
45. 45
ﺭرﮔﺮﺍاﺳﯿﻮﻥن - ﺑﺎﻧﻈﺎﺭرﺕت - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺗﻮﺳﻌﻪ ﻧﻬﺎﯾﯽ ﻫﺪﻑف ،ﺑﺎﻧﻈﺎﺭرﺕت ِﻣﺎﺷﯿﻦ ِﯾﺎﺩدﮔﯿﺮﯼی ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺍاﻏﻠﺐ ﺩدﺭر
.ﮔﻮﯾﻨﺪﯽﻣ (Hypothesis) ”“ﻓﺮﺿﯿﻪ ﺁآﻥن ﺑﻪ ﮐﻪ ﺍاﺳﺖ
ﺍاﯾﻦ ﺳﺎﺧﺘﻦ ﺑﻬﯿﻨﻪ ﻣﻨﻈﻮﺭر ﺑﻪ ﯽﺭرﯾﺎﺿ ﭘﯿﭽﯿﺪﻩه ﻫﺎﯼیﻢﺍاﻟﮕﻮﺭرﯾﺘ ﺍاﺯز ﺑﺮﺩدﺍاﺭرﯼیﻩهﺑﻬﺮ ﺣﺎﻭوﯼی ”“ﯾﺎﺩدﮔﯿﺮﯼی
.ﺍاﺳﺖ x ﻭوﺭرﻭوﺩدﯼی ﻣﻘﺪﺍاﺭر ﺍاﺯزﺍاﯼی ﺑﻪ ﺗﺎﺑﻊ
x = ﻣﺮﺑﻊ ﻣﺘﺮ ﺑﻪ ﻣﻠﮏ ﻣﺴﺎﺣﺖ
h(x) = ﺑﺎﺯزﺍاﺭر ﺩدﺭر ﻣﻠﮏ ﺑﻬﺎﯼیPredictor
46. 46
ﺭرﮔﺮﺍاﺳﯿﻮﻥن - ﺑﺎﻧﻈﺎﺭرﺕت - ﮔﯿﺮﯼیﺩدﯾﺎ ﺍاﻧﻮﺍاﻉعﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
:ﺳﺖﯼیﻣﺘﻌﺪﺩد ﺍاﯼیﻩهﺩدﺍاﺩد ِﻧﻘﺎﻁط ﺑﯿﺎﻧﮕﺮ x ﻣﻌﻤﻮﻻ ﻋﻤﻞ ﺩدﺭر
x1 : ﻣﺮﺑﻊ ﻣﺘﺮ ﺣﺴﺐ ﺑﺮ ﻣﺴﺎﺣﺖ
x2 : ﺧﻮﺍاﺏب ﺍاﻃﺎﻕق ﺗﻌﺪﺍاﺩد
x3 : ﺑﻬﺪﺍاﺷﺘﯽ ﺳﺮﻭوﯾﺲ ﺗﻌﺪﺍاﺩد
x4 : ﻃﺒﻘﻪ
x5 : ﺳﺎﺧﺖ ﺳﺎﻝل
x6: ﭘﺴﺘﯽ ﮐﺪ
47. 47
ﺑﯿﻨﯽﺶﭘﯿ - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
:ﺳﺎﺩدﻩه ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﯾﮏ
ﻭوﻫﺴﺘﻨﺪ ﺛﺎﺑﺖ
ﻭو.ﺷﻮﺩد ﺑﻬﯿﻨﻪ h(x) ﮐﻪ ﺷﮑﻠﯽ ﺑﻪ ﺍاﺳﺖ ﻣﻘﺎﺩدﯾﺮ ﮐﺮﺩدﻥن ﭘﯿﺪﺍا ﻣﺎ ﻫﺪﻑف
48. 48
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
49. 49
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
50. 50
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
ﺷﻨﺎﺳﯿﻢﯽﻣ ﺭرﺍا y
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
51. 51
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
.ﻣﯿﺎﺑﯿﻢ ﺭرﺍا y ﺷﺪﻩه ﻦŒﺗﻌ ﭘﯿﺶ ﺍاﺯز ﻣﻘﺪﺍاﺭر ﻭو h(x_train) ﺑﯿﻦ ﺗﻔﺎﻭوﺕت ﻣﻘﺎﺩدﺭر ﻣﺜﺎﻝل ﻫﺮ ﺑﺮﺍاﯼی
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
52. 52
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
ﻧﺎﺩدﺭرﺳﺘﯽ ﻣﺤﺎﺳﺒﻪ ﺑﺮﺍاﯼی ﻣﻔﯿﺪ ﺭرﻭوﺷﯽ ﻫﺎﻑفﺍاﺧﺘﻼ ﺍاﯾﻦ ،ﮐﺎﻓﯽ ﺁآﺯزﻣﺎﯾﺸﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﮐﻤﮏ ﺑﻪ
.ﺩدﻫﻨﺪﯽﻣ ﺑﺪﺳﺖ h(x) ﺗﺎﺑﻊ (wrongness)
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
.ﻣﯿﺎﺑﯿﻢ ﺭرﺍا y ﺷﺪﻩه ﻦŒﺗﻌ ﭘﯿﺶ ﺍاﺯز ﻣﻘﺪﺍاﺭر ﻭو h(x_train) ﺑﯿﻦ ﺗﻔﺎﻭوﺕت ﻣﻘﺎﺩدﺭر ﻣﺜﺎﻝل ﻫﺮ ﺑﺮﺍاﯼی
53. 53
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
.ﻣﯿﺎﺑﯿﻢ ﺭرﺍا y ﺷﺪﻩه ﻦŒﺗﻌ ﭘﯿﺶ ﺍاﺯز ﻣﻘﺪﺍاﺭر ﻭو h(x_train) ﺑﯿﻦ ﺗﻔﺎﻭوﺕت ﻣﻘﺎﺩدﺭر ﻣﺜﺎﻝل ﻫﺮ ﺑﺮﺍاﯼی
ﻧﺎﺩدﺭرﺳﺘﯽ ﻣﺤﺎﺳﺒﻪ ﺑﺮﺍاﯼی ﻣﻔﯿﺪ ﺭرﻭوﺷﯽ ﻫﺎﻑفﺍاﺧﺘﻼ ﺍاﯾﻦ ،ﮐﺎﻓﯽ ﺁآﺯزﻣﺎﯾﺸﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﮐﻤﮏ ﺑﻪ
.ﺩدﻫﻨﺪﯽﻣ ﺑﺪﺳﺖ h(x) ﺗﺎﺑﻊ (wrongness)
.ﺑﮑﺎﻫﯿﻢ ﺧﻄﺎ ﻣﯿﺰﺍاﻥن ﺍاﺯز ﺑﺮﺍاﯼی ﻣﻨﺎﺳﺒﯽ ﻣﻘﺎﺩدﯾﺮ ﮐﺮﺩدﻥن ﺍاﺧﺘﯿﺎﺭر ﺑﺎ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭘﺲﻭو
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
54. 54
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
.ﻣﯿﺎﺑﯿﻢ ﺭرﺍا y ﺷﺪﻩه ﻦŒﺗﻌ ﭘﯿﺶ ﺍاﺯز ﻣﻘﺪﺍاﺭر ﻭو h(x_train) ﺑﯿﻦ ﺗﻔﺎﻭوﺕت ﻣﻘﺎﺩدﺭر ﻣﺜﺎﻝل ﻫﺮ ﺑﺮﺍاﯼی
ﻧﺎﺩدﺭرﺳﺘﯽ ﻣﺤﺎﺳﺒﻪ ﺑﺮﺍاﯼی ﻣﻔﯿﺪ ﺭرﻭوﺷﯽ ﻫﺎﻑفﺍاﺧﺘﻼ ﺍاﯾﻦ ،ﮐﺎﻓﯽ ﺁآﺯزﻣﺎﯾﺸﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﮐﻤﮏ ﺑﻪ
.ﺩدﻫﻨﺪﯽﻣ ﺑﺪﺳﺖ h(x) ﺗﺎﺑﻊ (wrongness)
.ﺑﮑﺎﻫﯿﻢ ﺧﻄﺎ ﻣﯿﺰﺍاﻥن ﺍاﺯز ﺑﺮﺍاﯼی ﻣﻨﺎﺳﺒﯽ ﻣﻘﺎﺩدﯾﺮ ﮐﺮﺩدﻥن ﺍاﺧﺘﯿﺎﺭر ﺑﺎ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭘﺲﻭو
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
55. 55
ﺁآﻣﻮﺯزﺵش - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
.ﺷﻮﺩدﯽﻣ ﺍاﻧﺠﺎﻡم ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺗﻮﺳﻂ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺳﺎﺯزﯼی ﺑﻬﯿﻨﻪ
.ﻣﯿﺎﺑﯿﻢ ﺭرﺍا y ﺷﺪﻩه ﻦŒﺗﻌ ﭘﯿﺶ ﺍاﺯز ﻣﻘﺪﺍاﺭر ﻭو h(x_train) ﺑﯿﻦ ﺗﻔﺎﻭوﺕت ﻣﻘﺎﺩدﺭر ﻣﺜﺎﻝل ﻫﺮ ﺑﺮﺍاﯼی
ﻧﺎﺩدﺭرﺳﺘﯽ ﻣﺤﺎﺳﺒﻪ ﺑﺮﺍاﯼی ﻣﻔﯿﺪ ﺭرﻭوﺷﯽ ﻫﺎﻑفﺍاﺧﺘﻼ ﺍاﯾﻦ ،ﮐﺎﻓﯽ ﺁآﺯزﻣﺎﯾﺸﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﮐﻤﮏ ﺑﻪ
.ﺩدﻫﻨﺪﯽﻣ ﺑﺪﺳﺖ h(x) ﺗﺎﺑﻊ (wrongness)
.ﺑﮑﺎﻫﯿﻢ ﺧﻄﺎ ﻣﯿﺰﺍاﻥن ﺍاﺯز ﺑﺮﺍاﯼی ﻣﻨﺎﺳﺒﯽ ﻣﻘﺎﺩدﯾﺮ ﮐﺮﺩدﻥن ﺍاﺧﺘﯿﺎﺭر ﺑﺎ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭘﺲﻭو
…ﯾﺎﺑﺪﯽﻣ ﺍاﺩدﺍاﻣﻪ ﺷﻮﺩد ﻫﻤﮕﺮﺍا ﻣﻘﺎﺩدﯾﺮ ﺑﻬﺘﺮﯾﻦ ﺑﻪ ﺳﯿﺴﺘﻢ ﮐﻪ ﺟﺎﯾﯽ ﺗﺎﻭو
.ﮐﻨﺪﯽﻣ ﺗﻮﻟﯿﺪ ﻣﺎ ﺑﺮﺍاﯼی ﺭرﺍا y ﺧﺮﻭوﺟﯽ ﻣﻘﺪﺍاﺭر ﮐﻪ ﺩدﺍاﺭرﯾﻢ x_train ﯾﮏ ﺁآﻣﻮﺯزﺷﯽ ﻣﺜﺎﻝل ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
56. 56
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
57. 57
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
58. 58
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
ﺏبﺁآﺷﻮ
59. 59
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
!ﺍاﺳﺖ ﺣﺎﮐﻢ ﻣﻨﻄﻘﯽ
60. 60
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
!!!ﮐﻨﯿﻢ؟ ﭼﻪ
61. 61
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Q
،ﺩدﻗﯿﻘﺎ ﺗﺎ ﺩدﻫﯿﻢ ﺁآﻣﻮﺯزﺵش ﺭرﺍا ﻣﺎﺷﯿﻦ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭼﮕﻮﻧﻪ
ﮐﻨﺪ؟ ﺑﯿﻨﯽﺶﭘﯿ ﺭرﺍا ﮐﺎﺭرﻣﻨﺪ ﯾﮏ ﺭرﺿﺎﯾﺖ ﻣﯿﺰﺍاﻥن
62. 62
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Q
.ﺗﻮﺍاﻧﯿﻢﯽﻧﻤ
A
،ﺩدﻗﯿﻘﺎ ﺗﺎ ﺩدﻫﯿﻢ ﺁآﻣﻮﺯزﺵش ﺭرﺍا ﻣﺎﺷﯿﻦ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭼﮕﻮﻧﻪ
ﮐﻨﺪ؟ ﺑﯿﻨﯽﺶﭘﯿ ﺭرﺍا ﮐﺎﺭرﻣﻨﺪ ﯾﮏ ﺭرﺿﺎﯾﺖ ﻣﯿﺰﺍاﻥن
63. 63
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
Q
،ﺩدﻗﯿﻘﺎ ﺗﺎ ﺩدﻫﯿﻢ ﺁآﻣﻮﺯزﺵش ﺭرﺍا ﻣﺎﺷﯿﻦ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭼﮕﻮﻧﻪ
ﮐﻨﺪ؟ ﺑﯿﻨﯽﺶﭘﯿ ﺭرﺍا ﮐﺎﺭرﻣﻨﺪ ﯾﮏ ﺭرﺿﺎﯾﺖ ﻣﯿﺰﺍاﻥن
.ﺗﻮﺍاﻧﯿﻢﯽﻧﻤ
Aﻣﺤﺎﺳﺒﻪ ﻫﺮﮔﺰ ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻫﺪﻑف
ﺍاﺻﻮﻻ ﮐﻪ ﭼﺮﺍا ،ﻧﯿﺴﺖ ﺩدﻗﯿﻖ ﻣﻄﻠﻘﺎ ﻫﺎﯼیﯽﺑﯿﻨﺶﭘﯿ
ﻣﻌﻨﯿﺴﺖﯽﺑ ”“ﺩدﻗﯿﻘﺎ ﻭوﺍاﻗﻌﯽ ﺩدﻧﯿﺎﯼی ﺩدﺭر
64. 64
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮐﻪ ﺍاﺳﺖ ﻫﺎﯾﯽﯽﭘﯿﺸﺒﯿﻨ ﻣﺤﺎﺳﺒﻪ ﻣﺎﺷﯿﻦ ﯾﺎﺩدﮔﯿﺮﯼی ﻫﺪﻑف
.ﻫﺴﺘﻨﺪ ﻣﻔﯿﺪ ﮐﺎﻓﯽ ﺍاﻧﺪﺍاﺯزﻩه ﺑﻪ ﮐﺎﺭرﻭوﺐﮐﺴ ﻭو ﺻﻨﻌﺖ ﺩدﺭر
65. 65
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
“All models are wrong, but some are useful” - George E. P. Box
66. 66
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺩدﺭر ﺗﺼﺎﺩدﻓﯽ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﺍاﺯز ﺍاﺳﺘﻔﺎﺩدﻩه
67. 67
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮔﯿﺮﻧﺪﯽﻣ ﺑﺎﻻ ﻫﺎﯼیﻕقﺣﻘﻮ ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺩدﺭر ﺗﺼﺎﺩدﻓﯽ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﺍاﺯز ﺍاﺳﺘﻔﺎﺩدﻩه
68. 68
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮔﯿﺮﻧﺪﯽﻣ ﺑﺎﻻ ﻫﺎﯼیﻕقﺣﻘﻮ ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﮐﻨﻨﺪﯽﻣ ﮐﺎﺭر ﻣﻬﻨﺪﺳﯽ ﺑﺨﺶ ﺩدﺭر ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺩدﺭر ﺗﺼﺎﺩدﻓﯽ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﺍاﺯز ﺍاﺳﺘﻔﺎﺩدﻩه
69. 69
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮔﯿﺮﻧﺪﯽﻣ ﺑﺎﻻ ﻫﺎﯼیﻕقﺣﻘﻮ ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﮐﻨﻨﺪﯽﻣ ﮐﺎﺭر ﻣﻬﻨﺪﺳﯽ ﺑﺨﺶ ﺩدﺭر ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺩدﺭر ﺗﺼﺎﺩدﻓﯽ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﺍاﺯز ﺍاﺳﺘﻔﺎﺩدﻩه
70. 70
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮔﯿﺮﻧﺪﯽﻣ ﺑﺎﻻ ﻫﺎﯼیﻕقﺣﻘﻮ ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﮐﻨﻨﺪﯽﻣ ﮐﺎﺭر ﻣﻬﻨﺪﺳﯽ ﺑﺨﺶ ﺩدﺭر ﮐﻪ ﭘﺮﺳﻨﻠﯽ ﺑﺎ ﻣﺎﺷﯿﻦ ﺁآﻣﻮﺯزﺵش
ﺁآﻣﻮﺯزﺷﯽ ﻫﺎﯼیﻝلﻣﺜﺎ ﺩدﺭر ﺗﺼﺎﺩدﻓﯽ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﺍاﺯز ﺍاﺳﺘﻔﺎﺩدﻩه
ﺭرﯾﺴﮏ ،ﻧﯿﺴﺘﻨﺪ ﺗﺼﺎﺩدﻓﯽ ﯾﺎ ﻧﺪﺍاﺭرﻧﺪ ﮐﺎﻓﯽ ﺟﺎﻣﻌﯿﺖ ﮐﻪ ﻫﺎﯾﯽﻩهﺩدﺍاﺩد ﺍاﺯز ﺍاﺳﺘﻔﺎﺩدﻩه
ﺩدﻫﺪﯽﻣ ﺍاﻓﺰﺍاﯾﺶ ﺭرﺍا ﺷﻮﻧﺪﯽﻧﻤ ﯾﺎﻓﺖ ﻭوﺍاﻗﻌﯽ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﺩدﺭر ﮐﻪ ﻫﺎﯾﯽﻮﺍاﻟﮕ ﯾﺎﺩدﮔﯿﺮﯼی
71. 71
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺑﺰﺭرﮒگ ﺍاﻋﺪﺍاﺩد ﻗﺎﻧﻮﻥن
72. 72
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
73. 73
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
74. 74
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
75. 75
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
76. 76
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
77. 77
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
27
78. 78
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
27
79. 79
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
80. 80
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
81. 81
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰
1500
82. 82
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
83. ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
!ﺷﺪﻩه ﻫﻤﮕﺮﺍا
Converged
84. ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
!ﺷﺪﻩه ﻫﻤﮕﺮﺍا
Converged
85. ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼیﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
!ﺷﺪﻩه ﻫﻤﮕﺮﺍا
Converged
Optimal Predictor
86. ﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﻨﺪﯼیﺖﺭرﺿﺎﯾ
۱۰۰ ﺗﺎ ﺻﻔﺮ ﺍاﺯز
!ﺷﺪﻩه ﻫﻤﮕﺮﺍا
Converged
Optimal Predictor
ﻣﺘﻐﯿﺮ ﺗﮏ ﺧﻄﯽ ﺭرﮔﺮﺍاﺳﯿﻮﻥن
univariate linear
regression
ﭘﺮﺳﻨﻞ ﺭرﺿﺎﯾﺘﻤﻨﺪﯼی - ﺑﺎﻧﻈﺎﺭرﺕت ِﯾﺎﺩدﮔﯿﺮﯼی
88. 88
ﺛﺎﺑﺖ ﻣﻘﺎﺩدﯾﺮ ﻣﺤﺎﺳﺒﻪ ﺩدﺭر ﺑﻬﺒﻮﺩدﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻭوﮔﺎﻡم ﻫﺮ ﺩدﺭر ﻣﻘﺎﺩدﯾﺮ ﮐﻪ ﮐﻨﯿﻢ ﺣﺎﺻﻞ ﺍاﻃﻤﯿﻨﺎﻥن ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭼﮕﻮﻧﻪ
ﺍاﻧﺪ؟ﻩهﺷﺪ ﺑﻬﺘﺮ
Q
89. 89
ﺛﺎﺑﺖ ﻣﻘﺎﺩدﯾﺮ ﻣﺤﺎﺳﺒﻪ ﺩدﺭر ﺑﻬﺒﻮﺩدﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻭوﮔﺎﻡم ﻫﺮ ﺩدﺭر ﻣﻘﺎﺩدﯾﺮ ﮐﻪ ﮐﻨﯿﻢ ﺣﺎﺻﻞ ﺍاﻃﻤﯿﻨﺎﻥن ﺗﻮﺍاﻧﯿﻢﯽﻣ ﭼﮕﻮﻧﻪ
ﺍاﻧﺪ؟ﻩهﺷﺪ ﺑﻬﺘﺮ
Q
A
ﻭو ﻗﺒﻠﯽ ﮔﺎﻡم ﺑﻪ ﻧﺴﺒﺖ ()ﻧﺎﺩدﺭرﺳﺘﯽ ﺧﻄﺎ ﻣﯿﺰﺍاﻥن ﻣﺤﺎﺳﺒﻪ ﮐﻤﮏ ﺑﻪ
.ﺍاﻧﺘﮕﺮﺍاﻝل ﻭو ﺩدﯾﻔﺮﺍاﻧﺴﯿﻞ ﻣﺤﺎﺳﺒﺎﺕت
91. 91
(ﺧﻄﺎ)ﻧﺎﺩدﺭرﺳﺘﯽ ﺳﺎﺯزﯼی ﮐﻤﯿﻨﻪﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﯾﺎ (wrongness - )ﻧﺎﺩدﺭرﺳﺘﯽ ﺧﻄﺎ ﻣﺤﺎﺳﺒﻪ
ﮐﻨﯿﻢﯽﻣ ﺍاﺳﺘﻔﺎﺩدﻩه ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺩدﺭر ﮐﻪ ﺿﺮﺍاﯾﺒﯽ ﺗﻤﺎﻣﯽ :
92. 92
(ﺧﻄﺎ)ﻧﺎﺩدﺭرﺳﺘﯽ ﺳﺎﺯزﯼی ﮐﻤﯿﻨﻪﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﯾﺎ (wrongness - )ﻧﺎﺩدﺭرﺳﺘﯽ ﺧﻄﺎ ﻣﺤﺎﺳﺒﻪ
ﮐﻨﯿﻢﯽﻣ ﺍاﺳﺘﻔﺎﺩدﻩه ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺩدﺭر ﮐﻪ ﺿﺮﺍاﯾﺒﯽ ﺗﻤﺎﻣﯽ :
93. 93
(ﺧﻄﺎ)ﻧﺎﺩدﺭرﺳﺘﯽ ﺳﺎﺯزﯼی ﮐﻤﯿﻨﻪﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﯾﺎ (wrongness - )ﻧﺎﺩدﺭرﺳﺘﯽ ﺧﻄﺎ ﻣﺤﺎﺳﺒﻪ
ﮐﻨﯿﻢﯽﻣ ﺍاﺳﺘﻔﺎﺩدﻩه ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺩدﺭر ﮐﻪ ﺿﺮﺍاﯾﺒﯽ ﺗﻤﺎﻣﯽ :
ﻭو ﻣﻘﺎﺩدﯾﺮ ﺍاﺯز ﻭوﻗﺘﯽ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺧﻄﺎﯼی ﻣﯿﺰﺍاﻥن.ﮐﻨﯿﻢﯽﻣ ﺍاﺳﺘﻔﺎﺩدﻩه
97. 97
ﺧﻄﯽ ﻣﺮﺑﻌﺎﺕت ﮐﻤﯿﻨﻪﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﮐﻨﺪﯽﻣ ﮐﻤﯿﻨﻪ ﺭرﺍا ﺧﻄﺎ ﻣﺮﺑﻊ
101. 101
ﻋﻤﻮﻣﯽ ﻣﺪﻝل - ﺧﻄﯽ ﻣﺮﺑﻌﺎﺕت ﮐﻤﯿﻨﻪﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
:ﺁآﯾﺪﯽﻣ ﺩدﺳﺖ ﺑﻪ ﺯزﯾﺮ ﺧﻄﯽ ﻣﺪﻝل
102. 102
(ﻧﺎﺩدﺭرﺳﺘﯽ )ﻣﯿﺰﺍاﻥن ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻧﻤﺎﯾﯽ ﺻﻮﺭرﺕت ﺑﻪ ،ﺑﺪ ﺣﺪﺱس ﯾﮏ ﺟﺮﯾﻤﻪ ﻣﯿﺰﺍاﻥن ﻣﺮﺑﻌﺎﺕت ﮐﻤﯿﻨﻪ ﮐﻤﮏ ﺑﻪ
.ﯾﺎﺑﺪﯽﻣ ﺍاﻓﺰﺍاﯾﺶ (۲ )ﺩدﺭرﺟﻪ
.ﮐﻨﻨﺪ ﮐﻤﯿﻨﻪ ﺭرﺍا ﺗﺎﺑﻊ ﮐﻪ ﻫﺴﺘﯿﻢ ﻫﺎﯾﯽﻥنﺁآ ﺩدﻧﺒﺎﻝل ﺑﻪ ﺛﺎﺑﺖ ﻣﻘﺎﺩدﯾﺮ ﺍاﻧﺘﺨﺎﺏب ﺩدﺭر
.ﮐﻨﺪﯽﻣ ﺍاﺳﺘﻔﺎﺩدﻩه ،ﺻﺤﯿﺢ ﺟﻮﺍاﺏب ﻭو ﺯزﺩدﯾﻢ ﺣﺪﺱس ﮐﻪ ﻣﻘﺪﺍاﺭرﯼی ﺍاﺧﺘﻼﻑف ﺍاﺯز
ﻫﺰﯾﻨﻪ ﻣﺘﻮﺳﻂ
103. 103
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺭرﺍا ﺑﺮﺍاﯼی ﻣﻤﮑﻦ ﻣﻘﺎﺩدﯾﺮ ﺑﻬﺘﺮﯾﻦ h(x) ﺑﯿﻨﯽﺶﭘﯿ ﺗﺎﺑﻊ ﺑﺮﺍاﯼی ﺧﻮﺍاﻫﯿﻢﯽﻣ
.ﺑﺎﺷﺪ ﮐﻤﯿﻨﻪ ﯾﻌﻨﯽ ﺁآﻥن ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﮐﻪ ﺷﮑﻠﯽ ﺑﻪ ﺑﯿﺎﺑﯿﻢ
ﻭو
104. 104
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺍاﺯز ﺗﺮﺳﯿﻤﯽ ﺍاﯾﻦ ﮐﻨﯿﺪ ﻓﺮﺽض
:ﺍاﺳﺖ ﻣﺴﺌﻠﻪ ﯾﮏ ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ
105. 105
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺍاﺯز ﺗﺮﺳﯿﻤﯽ ﺍاﯾﻦ ﮐﻨﯿﺪ ﻓﺮﺽض
:ﺍاﺳﺖ ﻣﺴﺌﻠﻪ ﯾﮏ ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ
ﻭو
ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﺮﺍاﺕتŒﺗﻐ
ﻣﻘﺎﺩدﯾﺮ ﺮﺍاﺕتŒﺗﻐ ﻗﺒﺎﻝل ﺩدﺭر
ﺑﯿﻨﯿﻢﯽﻣ ﺭرﺍا
106. 106
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﻣﺨﺘﻠﻒ ﻣﻘﺎﺩدﯾﺮ ﺍاﻧﺘﺨﺎﺏب ﺍاﺯزﯼی ﺑﻪ
ﮐﺎﺳﻪ ﯾﮏ ﺭرﻭوﯼی ﮔﻮﯾﯽ ﻭو ﺑﺮﺍاﯼی
ﻫﺰﯾﻨﻪ ﺣﺪﺍاﻗﻞ .ﮐﻨﯿﻢﯽﻣ ﺣﺮﮐﺖ
.ﺍاﺳﺖ ﮐﺎﺳﻪ ﻗﺴﻤﺖ ﺗﺮﯾﻦ ﭘﺎ4ﻦ
107. 107
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺩدﺭر ﻭو ﻣﻘﺎﺩدﯾﺮ ﺑﺎﯾﺪ
ﺭرﺍا ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﻗﺴﻤﺖ ﺗﺮﯾﻦ ﮔﻮﺩد
.ﺑﯿﺎﺑﯿﻢ
108. 108
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺩدﺭر ﻭو ﻣﻘﺎﺩدﯾﺮ ﺑﺎﯾﺪ
ﺭرﺍا ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﻗﺴﻤﺖ ﺗﺮﯾﻦ ﮔﻮﺩد
.ﺑﯿﺎﺑﯿﻢ
ﭼﮕﻮﻧﻪ؟
Q
109. 109
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺩدﺭر ﻭو ﻣﻘﺎﺩدﯾﺮ ﺑﺎﯾﺪ
ﺭرﺍا ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﻗﺴﻤﺖ ﺗﺮﯾﻦ ﮔﻮﺩد
.ﺑﯿﺎﺑﯿﻢ
ﭼﮕﻮﻧﻪ؟
Q
(: ﺩدﯾﻔﺮﺍاﻧﺴﯿﻞ ﺣﺴﺎﺏب
A
110. 110
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
ﺩدﺭر ﮐﻪ ﺭرﺍا ﻫﺰﯾﻨﻪ ﺗﺎﺑﻊ ﺷﯿﺐ
J( , ) ﻫﺎﯼیﻖﻣﺸﺘ ﺯزﻭوﺝج ﻭوﺍاﻗﻊ
ﯾﮑﺒﺎﺭر ﻭو ﻣﺸﺘﻖ ﺑﺎﺭر )ﯾﮏ ﺍاﺳﺖ
.ﮐﻨﯿﻢﯽﻣ ﻣﺤﺎﺳﺒﻪ ﺭرﺍا (
ﺗﻮﺍاﻧﯿﻢﯽﻣ ۱ﺗﺘﺎ ﻭو .ﺗﺘﺎ ﻫﺮ ﺍاﺯزﺍاﯼی ﺑﻪ
.ﮐﻨﯿﻢ ﻣﺤﺎﺳﺒﻪ ﺭرﺍا ﺷﯿﺐ
111. ﻣﺨﺘﻠﻒ ﻣﻘﺎﺩدﯾﺮ ﺍاﺯزﺍاﯼی ﺑﻪ J ﻣﻘﺪﺍاﺭر
ﺷﯿﺐ ﻣﯿﺰﺍاﻥن ﺍاﺯز J ﻣﺸﺘﻖ .ﮐﻨﺪﯽﻣ ﺮŒﺗﻐ
.ﺩدﻫﺪﯽﻣ ﺧﺒﺮ
ﺗﺼﻤﯿﻢ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﺷﯿﺐ ﻣﯿﺰﺍاﻥن ﺍاﺳﺎﺱس ﺑﺮ
ﻭو ﮐﺮﺩدﻩه ﺍاﺿﺎﻓﻪ ﺑﻪ ﮐﻤﯽ ﭼﮕﻮﻧﻪ ﺑﮕﯿﺮﯾﻢ
ﺳﺮﺍاﺯزﯾﺮ ﺩدﺭرﻩه ﻗﻌﺮ ﺑﻪ ﺗﺎ ﺑﮑﺎﻫﯿﻢ ﺍاﺯز
ﺷﻮﯾﻢ
111
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
112. ﻣﺨﺘﻠﻒ ﻣﻘﺎﺩدﯾﺮ ﺍاﺯزﺍاﯼی ﺑﻪ J ﻣﻘﺪﺍاﺭر
ﺷﯿﺐ ﻣﯿﺰﺍاﻥن ﺍاﺯز J ﻣﻘﺪﺍاﺭر .ﮐﻨﺪﯽﻣ ﺮŒﺗﻐ
.ﺩدﻫﺪﯽﻣ ﺧﺒﺮ
ﺗﺼﻤﯿﻢ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﺷﯿﺐ ﻣﯿﺰﺍاﻥن ﺍاﺳﺎﺱس ﺑﺮ
ﻭو ﮐﺮﺩدﻩه ﺍاﺿﺎﻓﻪ ﺑﻪ ﮐﻤﯽ ﭼﮕﻮﻧﻪ ﺑﮕﯿﺮﯾﻢ
ﺳﺮﺍاﺯزﯾﺮ ﺩدﺭرﻩه ﻗﻌﺮ ﺑﻪ ﺗﺎ ﺑﮑﺎﻫﯿﻢ ﺍاﺯز
ﺷﻮﯾﻢ
112
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی
113. ﻣﺨﺘﻠﻒ ﻣﻘﺎﺩدﯾﺮ ﺍاﺯزﺍاﯼی ﺑﻪ J ﻣﻘﺪﺍاﺭر
ﺷﯿﺐ ﻣﯿﺰﺍاﻥن ﺍاﺯز J ﻣﻘﺪﺍاﺭر .ﮐﻨﺪﯽﻣ ﺮŒﺗﻐ
.ﺩدﻫﺪﯽﻣ ﺧﺒﺮ
ﺗﺼﻤﯿﻢ ﺗﻮﺍاﻧﯿﻢﯽﻣ ﺷﯿﺐ ﻣﯿﺰﺍاﻥن ﺍاﺳﺎﺱس ﺑﺮ
ﻭو ﮐﺮﺩدﻩه ﺍاﺿﺎﻓﻪ ﺑﻪ ﮐﻤﯽ ﭼﮕﻮﻧﻪ ﺑﮕﯿﺮﯾﻢ
ﺳﺮﺍاﺯزﯾﺮ ﺩدﺭرﻩه ﻗﻌﺮ ﺑﻪ ﺗﺎ ﺑﮑﺎﻫﯿﻢ ﺍاﺯز
ﺷﻮﯾﻢ
113
(Gradient Descent) ﻧﺰﻭوﻟﯽ ﺷﯿﺐﺍاﻥنﺮﺗﻬ ﺩدﺍاﻧﺸﮕﺎﻩه ACM - ۱۳۹۵ ﺗﺎﺑﺴﺘﺎﻥن - ﻣﺎﺷﯿﻦﯼیﯾﺎﺩدﮔﯿﺮ ﻭو ﺑﺰﺭرﮒگ ﻫﺎﯼیﻩهﺩدﺍاﺩد ﻫﺎﯼیﺩدﮐﺎﺭرﺑﺮ ﺑﺮ ﮔﺬﺭرﯼی