Learning Dr.Yodthong Rodkaew.

Slides:



Advertisements
งานนำเสนอที่คล้ายกัน
Strength of Materials I EGCE201 กำลังวัสดุ 1
Advertisements

Retail Organization & HRM Chapter 4. Chapter topics  The organizational structure  Process of organizing  Retail tasks  Classifying jobs  Hierarchical.
หลักการและแนวคิดการนำ สื่ออิเล็กทรอนิกส์ มาใช้ใน การเรียนการสอน ผศ. นพ. ทรงพล ศรีสุโข 30 ก. ย
Finite and Infinite Sets, Null set
ไวยกรณ์ไม่พึงบริบท CONTEXT-FREE GRAMMARS
จำนวน สถานะ NUMBER OF STATES. ประเด็นที่ สนใจ The number of distinct states the finite state machine needs in order to recognize a language is related.
INTELLECTUAL CAPITAL : IC Group 3: Tipada Subhasean Nongluk Charoeschai Nerisa Wangkarat
Chapter 10 : Finalizing Design Specification
Graphical User Interface charturong.ee.engr.tu.ac.th/CN208
Braille OCR Mobile Application
Emergency Response System for Elderly and PWDs: Design & Development
Multilayer Feedforward Networks
VARIABLES, EXPRESSION and STATEMENTS. Values and Data Types Value เป็นสิ่งพื้นฐาน มีลักษณะเป็น ตัวอักษร หรือ ตัวเลข อาทิ 2+2 หรือ “Hello world” Value.
Chapter 7 : Deflection by Various Geometrical
อาจารย์ มธ. อธิบายการใช้ โมเดลของ
Data Structures and Algorithms
ระบบการจัดเก็บในคลังสินค้า
Seminar in Information Technology I
: Chapter 1: Introduction 1 Montri Karnjanadecha ac.th/~montri Image Processing.
Color Standards A pixel color is represented as a point in 3-D space. Axis may be labeled as independent colors such as R, G, B or may use other independent.
What is Cluster Analysis? Finding groups of objects such that the objects in a group will be similar (or related) to one another and different from (or.
ออโตมาตาจำกัด FINITE AUTOMATA
FINITE STATE AUTOMATA WITH OUTPUT
REGULAR EXPRESSION การบรรยายแบบสม่ำเสมอ
t t t f f (page 20) Review 1 M. 5 t t t f f What you will learn and do in this unit. 1. เข้าใจบทความที่อ่านเกี่ยวกับ เทศกาลงานฉลอง 2. เขียนบรรยาย Tomatina.
Statistics and Numerical Method Part I: Statistics 1/2555 สมศักดิ์ ศิวดำรงพงศ์
Inductive, Deductive Reasoning ผศ.( พิเศษ ) น. พ. นภดล สุชาติ พ. บ. M.P.H.
Course Software Engineering SE Overview and Introduction.
INC 637 Artificial Intelligence Lecture 13 Reinforcement Learning (RL) (continue)
INC341 Steady State Error Lecture 6.
Chap 4 Complex Algebra. For application to Laplace Transform Complex Number.
Yv xv zv.
ผศ.ดร.สุพจน์ นิตย์สุวัฒน์
การออกแบบและพัฒนาซอฟต์แวร์ บทที่ 7 การทดสอบโปรแกรม
Functions Standard Library Functions User-defined Functions.
ตัวอย่างFUZZY. ตัวอย่าง ฐานองคความรูฟซซีสามารถแสดงไดเปน Rule 1: If feature1 is high and feature2 is low and feature3 is medium, then class is 1.
Chapter 20 Expert System Chapter 20 Expert System Artificial Intelligence ดร. วิภาดา เวทย์ประสิทธิ์ ภาควิชาวิทยาการคอมพิวเตอร์ คณะ วิทยาศาสตร์
ผศ.ดร. วิภาดา เวทย์ประสิทธิ์
Merchant Marine Training Centre วิชาการเป็นเลิศ เชิดชู คุณธรรม ผู้นำ.
Page: 1 โครงสร้างคอมพิวเตอร์ และภาษาแอสเซมบลี้ ผศ. บุรินทร์ รุจจน พันธุ์.. ปรับปรุง 19 ตุลาคม 2555 Introduction to Batch.
Page: 1 โครงสร้างคอมพิวเตอร์ และภาษาแอสเซมบลี้ Gate & Karnaugh Map มหาวิทยาลัยเนชั่น จังหวัดลำปาง
1 หลักการภาษาชุดคำสั่ง อ. บุรินทร์ รุจจนพันธุ์.. ปรับปรุง 9 มิถุนายน 2556 Transition & Parse Tree มหาวิทยาลัยเนชั่น.
Menu and Interactive with Powerpoint ให้นำเรื่อง Input /Output Technology มา จัดทำ การนำเสนอ โดยใช้หลักการ Menu and Interactive with powerpoint มาประยุกต์
Algorithm Efficiency There are often many approaches (algorithms) to solve a problem. How do we choose between them? At the heart of computer program.
CPE 332 Computer Engineering Mathematics II
CPE 332 Computer Engineering Mathematics II Week 2 Chapter 2 Matrix.
Within the nucleus lies the chemical called deoxyribonucleic acid (or DNA; ดีเอ็นเอ ). This chemical codes for the characteristics of living things. For.
 Fungi reproduce using spores produced in the sporangium.  Spores contain the genetic material for growth of a new organism, protected by a tough coat.
Writing a research. Why Research?  To find whether the messages and the materials are appropriate to the target group  To modify the messages and the.
iWaLL โดย 1. นายวีกิจ สัจจะมโนรมย์
Java Programming Language สาขาวิชาระบบสารสนเทศ คณะบริหารธุรกิจ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ.
ผู้ให้สัมมนา นายธเนศ เกษศิลป์ รหัส ภาควิชานิติวิทยาศาสตร์
การสร้าง WebPage ด้วย Java Script Wachirawut Thamviset.
วันที่ 3 กรกฎาคม 2555 Forecasting technique การพยากรณ์
Chapter 3 Simple Supervised learning
Chapter 1/1 Arrays. Introduction Data structures are classified as either linear or nonlinear Linear structures: elements form a sequence or a linear.
วันที่ 28 มิถุนายน 2556 Forecasting technique การพยากรณ์
An Online Computer Assisted Instruction Development of Electronics Devices Subject for Learning Effectiveness Testing By Assoc.Prof. Suwanna Sombunsukho.
Physical Chemistry IV The Ensemble
CPE 332 Computer Engineering Mathematics II
The Analysis of Strands, Standards and Indicators for Tests
 Mr.Nitirat Tanthavech.  HTML forms are used to pass data to a server.  A form can contain input elements like text fields, checkboxes, radio-buttons,
CPE 332 Computer Engineering Mathematics II Chapter 1 Vector.
Dr.Surasak Mungsing CSE 221/ICT221 การวิเคราะห์และออกแบบขั้นตอนวิธี Lecture 13: การคำนวณได้และการตัดสินใจของปัญหา ที่ยากต่อการแก้ไข.
การออกแบบระบบ System Design.
Find a Point that Partitions a Segment in a Given Ratio a:b
The management of change Changes in work patterns and jobs
Forces and Laws of Motion
Adaboost Derek Hoiem March 31, 2004.
Kernels Usman Roshan.
ใบสำเนางานนำเสนอ:

Learning Dr.Yodthong Rodkaew

IQ test

IQ test

IQ test http://farm2.static.flickr.com/1399/1394691913_1aecd327db_o.jpg

Learning in AI 9954 9954 7799 7799 1144 ? learning with training data

Learning in AI ? ? 9954 9954 Mr.AI 7799 7799 7799 Unknown Estimation+Classification

Learning in AI Supervised Learning Unsupervised Learning

Supervised Learning Supervised Learning – การเรียนรู้แบบมีผู้สอน learning a function from training data. The training data consist of pairs of input objects (typically vectors), and desired outputs เรียนรู้ฟังก์ชั่นจากข้อมูลสอน ข้อมูลสอนประกอบด้วยกลุ่มข้อมูล (ส่วนใหญ่ในรูปแบบ เวกเตอร์) และผลที่ต้องการ The output of the function - ผลที่ได้จากฟังก์ชั่น continuous value (called regression), ค่าต่อเนื่อง (การประมาณค่าแบบย้อนกลับ) predict a class label of the input object (called classification). ทำนายประเภทของข้อมูล (เรียก การจำแนก)

Supervised Learning The task of the supervised learner to predict the value of the function for any valid input object after having seen a number of training examples (i.e. pairs of input and target output). Classification ex. 7799 7799 7799 Tranining data Classification

Supervised Learning Regression ex. Training data Next day? Regression =a^2+e*log2(t)/10+7… +sin(x) cos(y) exp (n) .. Regression ex. Training data Regression Next day?

Supervised Learning Tools: Analytical learning Naive bayes classifier Nearest Neighbor Algorithm Probably approximately correct learning (PAC) learning Ripple down rules, a knowledge acquisition methodology Symbolic machine learning algorithms Subsymbolic machine learning algorithms Support vector machines Random Forests Ensembles of Classifiers Ordinal Classification Data Pre-processing Handling imbalanced datasets Tools: Analytical learning Artificial neural network Backpropagation Boosting Bayesian statistics Case-based reasoning Decision tree learning Inductive logic programming Gaussian process regression Learning Automata Minimum message length (decision trees, decision graphs, etc.)

Supervised Learning Applications: Bioinformatics Cheminformatics Quantitative structure-activity relationship Handwriting recognition Information retrieval Object recognition in computer vision Optical character recognition Spam detection Pattern recognition Speech recognition Forecasting Fraudulent Financial Statements

Training ???? 10-20%

Training ???? 10-20% Too Much Training  Overfitting Training data Test data Training Correct 99%

Unsupervised Learning The learner is given only unlabeled examples. One form of unsupervised learning is clustering – การแบ่งกลุ่ม ไม่มีการระบุผลที่ต้องการหรือประเภทไว้ก่อน การเรียนรู้แบบนี้จะพิจารณาวัตถุเป็นเซตของตัวแปรสุ่ม แล้วจึงสร้างโมเดลความหนาแน่นร่วมของชุดข้อมูล Tools: NeuronNetwork, k-means clustering, hierarchical clustering, self-organizing map (som) Applications: การบีบอัดข้อมูล

Clustering การแบ่งกลุ่มข้อมูล (data clustering) เป็นวิธีการวิเคราะห์ข้อมูล ซึ่งใช้ในการเรียนรู้ของเครื่อง การทำเหมืองข้อมูล โดยจะแบ่งชุดข้อมูล (มักจะเป็นเวกเตอร์) ออกเป็นกลุ่ม (cluster) โดยนำข้อมูลที่มีคุณลักษณะเหมือนกัน หรือคล้ายกันจัดไว้ในกลุ่มเดียวกัน http://th.wikipedia.org/wiki/การแบ่งกลุ่มข้อมูล

Clustering ขั้นตอนวิธีที่ใช้ในการแบ่งกลุ่มจะอาศัย ความเหมือน (similarity) หรือ ความใกล้ชิด (proximity) โดยคำนวณจากการวัดระยะระหว่างเวกเตอร์ของข้อมูลเข้า โดยใช้การวัดระยะแบบต่าง ๆ เช่น การวัดระยะแบบยูคลิด (Euclidean distance) การวัดระยะแบบแมนฮัตตัน (Manhattan distance) การวัดระยะแบบเชบิเชฟ (Chebychev distance) การแบ่งกลุ่มข้อมูล (clustering) จะแตกต่างจาก การจำแนกประเภทข้อมูล (classification) โดยจะแบ่งกลุ่มข้อมูลจากความคล้าย โดยไม่มีการกำหนดประเภทของข้อมูลไว้ก่อน http://th.wikipedia.org/wiki/การแบ่งกลุ่มข้อมูล

Distance การวัดระยะแบบยูคลิด (Euclidean distance) การวัดระยะแบบแมนฮัตตัน (Manhattan distance) การวัดระยะแบบเชบิเชฟ (Chebychev distance) http://th.wikipedia.org/wiki/การแบ่งกลุ่มข้อมูล

Sqr( (x1-x2)^2 + (y1-y2)^2 + (z1-z2)^2) (Euclidean distance) Sqr( (x1-x2)^2 +(y1-y2)^2) Sqr( (x1-x2)^2 + (y1-y2)^2 + (z1-z2)^2) http://en.wikipedia.org/wiki/Euclidean_distance

Taxicab Geometry (Manhattan distance) (Euclidean distance) Taxicab geometry, considered by Hermann Minkowski in the 19th century, is a form of geometry in which the usual metric of Euclidean geometry is replaced by a new metric in which the distance between two points is the sum of the (absolute) differences of their coordinates. The taxicab metric is also known as rectilinear distance, L1 distance or L1 norm (see Lp space), city block distance, Manhattan distance, or Manhattan length, with corresponding variations in the name of the geometry.[1] The last name alludes to the grid layout of most streets on the island of Manhattan, which causes the shortest path a car could take between two points in the city to have length equal to the points' distance in taxicab geometry. http://en.wikipedia.org/wiki/Manhattan_distance

(Chebyshev distance) In mathematics, Chebyshev distance (or Tchebychev distance), or L∞ metric[1] is a metric defined on a vector space where the distance between two vectors is the greatest of their differences along any coordinate dimension.[2] It is named after Pafnuty Chebyshev. It is also known as chessboard distance, since in the game of chess the minimum number of moves needed by a king to go from one square on a chessboard to another equals the Chebyshev distance between the centers of the squares, if the squares have side length one, as represented in 2-D spatial coordinates with axes aligned to the edges of the board http://en.wikipedia.org/wiki/Chebyshev_distance

Taxicab Geometry in Game OGRE battle / FF Tactics

Clustering

Clustering