28371

كاربرد شبكه هاي عصبي بيزي در تحليل داده ها

كارشناسي ارشد

آمار- آمار رياضي

1400

1402/2/31

رحمان فرنوش

دانشكده رياضي

شبكه‌هاي عصبي عميق مدل‌هاي بسيار گويا هستند كه اخيراً در حوزه‌هاي مختلف مبتني‌بر هوش مصنوعي، از تشخيص گفتار و تشخيص چهره گرفته تا مسائل مربوط به مراقبت‌هاي بهداشتي و بازاريابي استفاده مي‌شود. همچنين راه حل هاي غيرقابل تفسيري را آموخته‌اند كه مي‌توانند ويژگي‌هاي غير شهودي داشته باشند. با مروري كوتاه بر رويكرد بيزي براي يادگيري شبكه عصبي، رويكرد بيزي را با تاكيد بر نقش دانش پسين در مدل‌هاي بيزي و در رويكردهاي كمينه‌سازي خطاي كلاسيك مورد بحث قرار مي‌دهيم. قابليت تعميم يك مدل آماري، كلاسيك يا بيزي، در نهايت بر اساس مفروضات پسين است. رويكرد بيزي اجازه انتشار عدم قطعيت در مقاديري را مي‌دهد كه براي ساير مفروضات موجود در مدل ناشناخته هستند، كه ممكن است به طور كلي معتبرتر در مسئله باشد. مسئله مورد مطالعه در اين پايان‌نامه شامل رگرسيون، طبقه بندي و مسئله معكوس است. در مسئله رگرسيون كه به طور كامل مورد تجزيه و تحليل قرار مي‌گيرد، بهترين مدل‌ها مدل‌هايي هستند كه اولويت‌هاي محدودتري داشته‌ باشند. اين امر بر مزيت اصلي رويكرد بيزي كه ما مجبور نيستيم ويژگي‌هاي ناشناخته را حدس بزنيم، تأكيد مي‌كند.

1402/03/16

Application of Bayesian neural networks in data analysis

5/20/2024 12:00:00 AM

Deep neural networks are highly expressive models that have recently been used in a variety of AI-based areas, from speech recognition and face recognition to healthcare and marketing issues. They have also learned non-interpretable solutions that can have non-intuitive properties. With a brief overview of the Bayesian approach to neural network learning, we discuss the Bayesian approach with an emphasis on the role of posterior knowledge in Bayesian models and in classical error minimization approaches. The generalizability of a statistical model, classical or Bayesian, is ultimately based on posterior assumptions. The Bayesian approach allows the propagation of uncertainty in quantities that are unknown to other assumptions in the model, which may be more generally valid in the problem. The problem studied in this thesis includes regression, classification and inverse problem. In the regression problem that is fully analyzed, the best models are those that have more limited priorities. This emphasizes the main advantage of the Bayesian approach that we do not have to guess unknown features.

يادگيري ماشين , رگرسيون , شبكه هاي عصبي , طبقه بندي , شبكه هاي عصبي بيز

Machine Learning , regression , neural networks , classification , Bayes neural networks

Parastoo Mohammadpoor

Dr. Rahman Farnoosh