Please enable javascript in your browser.
Page
of
0
الگوریتمهای یادگیری مستمر با الهام از یادگیری انسان
بناییان زاده، محمد امین Banayeeanzadeh, Mohammad Amin
Cataloging brief
الگوریتمهای یادگیری مستمر با الهام از یادگیری انسان
پدیدآور اصلی :
بناییان زاده، محمد امین Banayeeanzadeh, Mohammad Amin
ناشر :
صنعتی شریف
سال انتشار :
1400
موضوع ها :
یادگیری عمیق Deep Learning علم شناخت Cognitive Science علوم اعصاب شناسی Neuroscience ...
شماره راهنما :
19-54846
Find in content
sort by
page number
page score
Bookmark
1 مقدمه
(15)
1-1 تعریف مسئله
(15)
1-2 پیشنیازها و نمادگذاری
(18)
1-3 اهمیت و کاربرد
(19)
1-4 چالشها
(20)
1-4.1 ثبات یا انعطاف
(20)
1-4.2 رشد خطی مدل
(21)
1-4.3 حافظه داده
(21)
1-5 هدف پژوهش
(21)
1-6 ساختار پایاننامه
(22)
2 پژوهشهای پیشین
(23)
2-1 کارهای پیشین در زمینه یادگیری مستمر
(23)
2-1.1 استفاده از جمله منظمسازی
(24)
2-1.2 منزوی کردن پارامترها یا تغییر معماری
(26)
2-1.3 روشهای مبتنی بر مرور دادگان
(29)
2-2 متا-یادگیری
(31)
2-2.1 ساختار کلی روشها
(32)
2-2.2 روشهای متداول متا-یادگیری
(33)
2-2.3 متا-یادگیری از دیدگاه علوم اعصاب
(35)
2-3 متا-یادگیری برای حل مسئله یادگیری مستمر
(36)
2-4 موشکافی فضای نمایش یادگرفته شده در روش OML
(39)
2-5 تاثیر نرخ یادگیری در مدلهای یادگیری متا-مستمر فعلی
(40)
2-6 جمعبندی
(40)
3 راهکار پیشنهادی
(42)
3-1 فرمولبندی احتمالاتی مسئله یادگیری متا-مستمر
(42)
3-2 نگاهی به نحوه یادگیری انسان برای حل مسئله دستهبندی
(43)
3-3 بررسی اثر دستهبند مولدی در مسئله یادگیری مستمر با رویکرد تئوری
(44)
3-4 بررسی اثر دستهبند مولدی در مسئله یادگیری مستمر با رویکرد عملی
(48)
3-4.1 معرفی دستهبندها
(48)
3-4.2 نتایج عملی
(49)
3-5 مدل احتمالاتی پیشنهادی
(50)
3-5.1 مغز بیزین
(50)
3-5.2 معرفی ساختار کلی روش GeMCL
(51)
3-5.3 معرفی مدل احتمالاتی بیزین
(53)
3-5.4 فرایندهای متا-یادگیری و متا-ارزیابی
(55)
3-5.5 تخمین هایپرپارامترهای توزیع پیشین
(56)
3-5.6 جمع بندی روش و ارائه الگوریتم
(57)
4 ارزیابی و مقایسه با کارهای پیشین
(61)
4-1 معرفی دیتاستهای مورد استفاده
(61)
4-2 معرفی مدلهای رقیب
(63)
4-3 معرفی معیارهای ارزیابی
(64)
4-4 نتایج
(64)
4-4.1 دیتاست Omniglot
(65)
4-4.2 دیتاست Mini-Imagenet
(66)
4-4.3 دیتاست CIFAR100
(68)
4-5 مقایسه پیشآموزش و متا-یادگیری
(68)
4-6 مطالعه معماری شبکه استخراج ویژگی
(70)
4-7 مطالعه کیفیت شبکههای استخراج ویژگی
(71)
4-8 ارزیابی رفتار کلاسها در فضای نمایش
(71)
4-9 وابستگی به مجموعه دادگان آموزش
(74)
4-9.1 بررسی میزان وابستگی به دیتاست متا-آموزش
(74)
4-9.2 استفاده از رویکردهای خود نظارتی
(75)
4-9.3 استفاده از رویکردهای بین دامنهای
(76)
4-10 بررسی دقیقتر MTLR و PGLR
(77)
4-11 حساسیت MTLR و PGLR به نرخ یادگیری داخلی
(78)
4-12 منابع سخت افزاری و زمان اجرا
(79)
4-13 دسترسی به کد و منابع
(80)
4-14 جمعبندی
(80)
5 جمعبندی و کارهای آتی
(81)
5-1 نقاط قوت الگوریتم GeMCL
(81)
5-2 مقایسه GeMCL با کارهای یادگیری مستمر پیشین
(83)
5-3 نقاط ضعف الگوریتم GeMCL و کارهای آتی
(83)
مراجع
(85)
