Big Data and Machine Learning Workshop - Day 5 @ UTACM
-
Upload
amir-sedighi -
Category
Data & Analytics
-
view
331 -
download
2
Transcript of Big Data and Machine Learning Workshop - Day 5 @ UTACM
![Page 1: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/1.jpg)
1
تابستانن ۱۳۹۵
اامیر صدیقی
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین
@amirsedighi تو4تر: [email protected]اایمیل:
ررووزز پنجم - یاددگیریی ژژررفف - قست ااوولل
![Page 2: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/2.jpg)
اامیر صدیقی
موسس:
2
معرفی
http://recommender.ir http://helio.ir http://commentum.ir
@amirsedighi تو4تر: [email protected]اایمیل:
![Page 3: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/3.jpg)
3
پیشگفتاررگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 4: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/4.jpg)
4
پیشگفتارر - طبقهبندیی (کلسیفیکشن)گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 5: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/5.jpg)
5
پیشگفتارر - طبقهبندیی (کلسیفیکشن)گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 6: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/6.jpg)
6
پیشگفتارر - طبقهبندیی (کلسیفیکشن)گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 7: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/7.jpg)
7
پیشگفتارر - طبقهبندیی (کلسیفیکشن)گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 8: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/8.jpg)
8
کمی به عقب برگرددیمگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
قبال با کلسیفایرهایی خطی آآشنا شدیم:
![Page 9: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/9.jpg)
9
کمی به عقب برگرددیمگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 10: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/10.jpg)
10
آآموززشش کلسیفایرگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 11: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/11.jpg)
11
آآموززشش کلسیفایرگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 12: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/12.jpg)
12
آآموززشش کلسیفایرگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 13: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/13.jpg)
13
Softmax Functionگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
[ 3.0 1.0 0.2 ] Scores: Probabilities:
![Page 14: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/14.jpg)
14
ددوورربین ماشین خودد رراا هوشمندکنیدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 15: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/15.jpg)
15
ددوورربین ماشین خودد رراا هوشمندکنیدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 16: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/16.jpg)
16
نتایج موتورر جستجو رراا ررنک کنیدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 17: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/17.jpg)
17
نتایج موتورر جستجو رراا ررنک کنیدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 18: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/18.jpg)
18
ددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایشگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 19: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/19.jpg)
19
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 20: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/20.jpg)
20
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 21: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/21.jpg)
21
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
ددااددهههایی آآموززشی رراا به خاطر میسپارردد
![Page 22: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/22.jpg)
22
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
نمیتونه حفط کنه!
![Page 23: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/23.jpg)
23
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 24: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/24.jpg)
24
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 25: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/25.jpg)
25
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 26: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/26.jpg)
26
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 27: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/27.jpg)
27
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 28: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/28.jpg)
28
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 29: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/29.jpg)
29
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 30: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/30.jpg)
30
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 31: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/31.jpg)
31
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 32: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/32.jpg)
32
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
?
![Page 33: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/33.jpg)
33
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 34: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/34.jpg)
34
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 35: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/35.jpg)
35
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننددااددهههایی آآموززشش، ااعتباررسنجی وو آآززمایش
![Page 36: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/36.jpg)
36
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهرااننF1 ددقت، جامعیت وو
F1 = 2 * ((precision * recall) / (precision + recall))
![Page 37: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/37.jpg)
37
یاددگیریی ژژررفف - مقدمهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 38: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/38.jpg)
38
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
یاددگیریی ژژررفف کامپیوترها رراا قاددرر میساززدد تا به حل مسائلی بپرددااززند که قبال تنها
توسط اانسانن حل میشد.
یاددگیریی ژژررفف - مقدمه
![Page 39: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/39.jpg)
39
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
فرآآیند یاددگیریی ژژررفف به مقاددیر بسیارر ززیاددیی ددااددهه نیازز دداارردد.
یاددگیریی ژژررفف - مقدمه
![Page 40: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/40.jpg)
40
تمرکز کمپانی هایی پیشروو بر یاددگیرییژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 41: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/41.jpg)
41
تمرکز کمپانی هایی پیشروو بر یاددگیرییژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 42: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/42.jpg)
42
تمرکز کمپانی هایی پیشروو بر یاددگیرییژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 43: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/43.jpg)
43
تمرکز کمپانی هایی پیشروو بر یاددگیرییژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 44: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/44.jpg)
44
تمرکز کمپانی هایی پیشروو بر یاددگیرییژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 45: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/45.jpg)
45
DATA …فصل مشترکک بزررگانن ووببگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 46: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/46.jpg)
46
AI ااختصاصص منابع تحقیقاتی ددرر حوززههگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
یاددگیریی ژژررفف بیشترین سهم اازز منابع مالی وو اانسانی تحقیقاتت ددرر حوززهه AI رراا به
خودد ااختصاصص ددااددهه ااست.
![Page 47: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/47.jpg)
47
AI ااختصاصص منابع تحقیقاتی ددرر حوززههگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
یاددگیریی ژژررفف بیشترین سهم اازز منابع مالی وو اانسانی تحقیقاتت ددرر حوززهه AI رراا به
خودد ااختصاصص ددااددهه ااست.
چراا که ووقتی مقاددیر بسیارر ززیاددیی اازز ددااددهه وو مسائل پیچیدهه توااما ددرر کنارر هم قراارر
گیرند، یاددگیریی ژژررفف توااناییهایی ااعجابب اانگیز به نمایش میگذاارردد.
![Page 48: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/48.jpg)
48
برخی کاررکرددهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 49: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/49.jpg)
49
برخی کاررکرددهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 50: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/50.jpg)
50
یک مسئله براایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Q چه مسئلهاایی ددرر ددنیایی پیراامونن وو ززندگی ررووززمرهه خودد میشناسید که
میتواانن به کمک یاددگیریی ژژررفف براایی حل آآنن ااقداامم کردد؟
![Page 51: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/51.jpg)
51
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Torsten Wiesel (left) and David H. Hubel (right)
In one experiment, done in 1959, they inserted a microelectrode into the primary visual cortex of an anesthetized cat. They then projected patterns of light and dark on a screen in front of the cat. They found that some neurons fired rapidly when presented with lines at one angle, while others responded best to another angle. Some of these neurons responded to light patterns and dark patterns differently.
![Page 52: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/52.jpg)
52
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Torsten Wiesel (left) and David H. Hubel (right)
Hubel and Wiesel called these neurons simple cells. Still other neurons, which they termed complex cells, detected edges regardless of where they were placed in the receptive field of the neuron and could preferentially detect motion in certain directions. These studies showed how the visual system constructs complex representations of visual information from simple stimulus features.
![Page 53: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/53.jpg)
53
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Torsten Wiesel (left) and David H. Hubel (right)
![Page 54: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/54.jpg)
54
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Torsten Wiesel (left) and David H. Hubel (right) https://www.youtube.com/watch?v=8VdFf3egwfg
![Page 55: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/55.jpg)
55
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
ااوولین الیه اازز نوررووننها به لبههایی ااشیا وو تصاوویر ددرر ززوواایا وو محل معین حساسیت نشونن میدهه!
![Page 56: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/56.jpg)
56
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
الیههایی اازز نرووننها به حرکتددرر جهت معین حساسیت نشونن میدهه!
![Page 57: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/57.jpg)
57
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
پس نرووننهایی با سیناپسهایی معین براایی ددیدنن لبهها، ددرروونن وو حرکت آآموززشش ددااددهه شدههااند!
![Page 58: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/58.jpg)
58
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
سلسله مرااتبی اازز سلولها ووجودد ددااررهه، برخی به ززااوویه، برخی به حرکت (جهت حرکت) حساسیت نشونن میدنن. ددرر ساددهه ترین سطح محیط ااشیا به سرعت شناسایی میشه.
![Page 59: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/59.jpg)
59
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
بشر عالقمند بودد اازز ررووششهایی شناسایی (تشخیص االگو) ددرر مغز بهرهه بگیرهه، پس شرووعع به مدلساززیی ررووشش شناخت ااشیا ددرر پستانداارراانن شدند.
![Page 60: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/60.jpg)
60
سرآآغاززگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
شنواایی رروو ووصل کرددنن به بینایی! وو المسه … وو بقیه حوااسس
![Page 61: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/61.jpg)
61
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Unsupervised
![Page 62: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/62.jpg)
62
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Unsupervised
![Page 63: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/63.jpg)
63
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Unsupervised
![Page 64: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/64.jpg)
64
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Unsupervised
![Page 65: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/65.jpg)
65
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Unsupervised
Geoff Hinton2012
![Page 66: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/66.jpg)
66
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Unsupervised
Geoff Hinton2012
![Page 67: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/67.jpg)
67
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 68: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/68.jpg)
68
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
60M Parameters1000 Categories
![Page 69: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/69.jpg)
69
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 70: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/70.jpg)
70
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 71: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/71.jpg)
71
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 72: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/72.jpg)
72
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 73: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/73.jpg)
73
فراازز وو نشیبهایی یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 74: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/74.jpg)
74
اانوااعع شبکه عصبی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Feedforward (acyclic graphs)* Autoencoders * Denoising autoencoders * Restricted Boltzmann machines (stacked, they form deep-belief networks)
Convolutional— Deep convolutional networks are SOTA for images. There are many well known architectures, including AlexNet and VGGNet. — Convolutional networks usually involved a combination of convolutional layers as well as subsampling and fully connected feedforward layers.
Recurrent— These handle time series data especially well. They can be combined with convolutional networks to generate captions for images. * Long Short-Term Memory * GRU
Recursive— These handle natural language especially well * Recursive autoencoders * Recursive neural tensor networks
![Page 75: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/75.jpg)
75
شبکههایی عصبیگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Neural networks are a set of algorithms, modeled loosely after the human brain, that are designed to recognize patterns. They interpret sensory data through a kind of machine perception, labeling or clustering raw input. The patterns they recognize are numerical, contained in vectors, into which all real-world data, be it images, sound, text or time series, must be translated.
![Page 76: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/76.jpg)
76
شبکههایی عصبیگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Neural networks help us cluster and classify. You can think of them as a clustering and classification layer on top of data you store and manage
![Page 77: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/77.jpg)
77
شبکههایی عصبیگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
They help to group unlabeled data according to similarities among the example inputs, and they classify data when they have a labeled dataset to train on.
![Page 78: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/78.jpg)
78
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Is my problem supervised or unsupervised? If supervised, is it a classification or regression problem? Supervised learning has a teacher. That teacher takes the form of a training set that establishes correlations between two types of data, your input and your output. You may want to apply labels to images, for example. In this classification problem, your input is raw pixels, and your output is the name of whatever’s in the picture. In a regression example, you might teach a neural net how to predict continuous values such as housing price based on an input like square-footage. Unsupervised learning, on the other hand, can help you detect similarities and anomalies simply by analyzing unlabeled data. Unsupervised learning has no teacher; it can be applied to use cases such as image search and fraud detection.
![Page 79: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/79.jpg)
79
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
If supervised, how many labels am I dealing with?The more labels you need to apply accurately, the more computationally intensive your problem will be. ImageNet has a training set with about 1000 classes; the Iris dataset has just 3.
![Page 80: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/80.jpg)
80
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
How many features am I dealing with? The more features you have, the more memory you’ll need. With images, the features of the first layer equal the number of pixels in the image. So MNIST’s 28*28 pixel images have 784 features. In medical diagnostics, you may be looking at 14 megapixels.
![Page 81: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/81.jpg)
81
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Another way to ask that same question is: What is my architectureResnet, the Microsoft Research net that won the most recent ImageNet competition, had 150 layers. All other things being equal, the more layers you add, the more features you have to deal with, the more memory you need. A dense layer in a multilayer perceptron (MLP) is a lot more feature intensive than a convolutional layer. People use convolutional nets with subsampling precisely because they get to aggressively prune the features they’re computing.
![Page 82: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/82.jpg)
82
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
How am I going to tune my neural net?Tuning neural nets is still something of a dark art for a lot of people. There are a couple of ways to go about it. You can tune empirically, looking at the f1 score of your net and then adjusting the hyperparameters. You can tune with some degree of automation using tools like hyperparameter optimization. And finally, you can rely on heuristics like a GUI, which will show you exactly how quickly your error is decreasing, and what your activation distribution looks like.
![Page 83: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/83.jpg)
83
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
A lot of research is being conducted on 1-4 GPUs. Enterprise solutions usually require more and have to work with large CPU clusters as well.
Hardware: Will I be using GPUs, CPUs or both? Am I going to rely on a single-system GPU or a distributed system?
![Page 84: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/84.jpg)
84
پرسشهایی پیش اازز یاددگیریی ژژررففگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
What kind of problems does deep learning solve?spam or not_spam in an email filter, good_guy or bad_guy in fraud detection, angry_customer or happy_customer in customer relationship management.
![Page 85: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/85.jpg)
85
چند مثاللگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Classification• Detect faces, identify people in images, recognize facial expressions
(angry, joyful) • Identify objects in images (stop signs, pedestrians, lane markers…) • Recognize gestures in video • Detect voices, identify speakers, transcribe speech to text, recognize
sentiment in voices • Classify text as spam (in emails), or fraudulent (in insurance claims);
recognize sentiment in text (customer feedback)
![Page 86: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/86.jpg)
86
چند مثاللگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Classification• Detect faces, identify people in images, recognize facial expressions
(angry, joyful) • Identify objects in images (stop signs, pedestrians, lane markers…) • Recognize gestures in video • Detect voices, identify speakers, transcribe speech to text, recognize
sentiment in voices • Classify text as spam (in emails), or fraudulent (in insurance claims);
recognize sentiment in text (customer feedback)
Any labels that humans can generate, any outcomes you care about and which correlate to data, can be used to train a neural network.
![Page 87: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/87.jpg)
87
چند مثاللگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Clustering
• Search: Comparing documents, images or sounds to surface similar items.
• Anomaly detection: The flipside of detecting similarities is detecting anomalies, or unusual behaviour. In many cases, unusual behaviour correlates highly with things you want to detect and prevent, such as fraud.
![Page 88: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/88.jpg)
88
چند مثاللگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Predictive Analytics
• Hardware breakdowns (data centers, manufacturing, transport) • Health breakdowns (strokes, heart attacks based on vital stats
and data from wearables) • Customer churn (predicting the likelihood that a customer will
leave, based on web activity and metadata) • Employee turnover (ditto, but for employees)
![Page 89: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/89.jpg)
89
معرفی یک اابزااررگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Predictive Analytics
• Hardware breakdowns (data centers, manufacturing, transport) • Health breakdowns (strokes, heart attacks based on vital stats
and data from wearables) • Customer churn (predicting the likelihood that a customer will
leave, based on web activity and metadata) • Employee turnover (ditto, but for employees)
![Page 90: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/90.jpg)
90
پیاددهه ساززییگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
کد بنویسیم
![Page 91: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/91.jpg)
91
مسئلهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
ااپلیکیشنی بنویسید که بتوااند اانوااعع ااشکالل متحرکک ددرروونن یک
سریی فیلم رراا که با ررنگهایی متنوعع وو ددرر جهاتت گوناگونن
حرکت میکنند شناسایی کند.
![Page 92: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/92.jpg)
92
ررااههحل - یک ززبانن براایی برنامهنویسانن جاووااگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Deeplearning4j is a domain-specific language to configure deep neural networks, which are made of multiple layers. Everything starts with a MultiLayerConfiguration, which organizes those layers and their hyperparameters.
![Page 93: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/93.jpg)
93
ررااههحل - یک ززبانن براایی برنامهنویسانن جاووااگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Hyperparameters are variables that determine how a neural network learns. They include: • how many times to update the weights of the model • how to initialize those weights • which activation function to attach to the nodes • which optimization algorithm to use • how fast the model should learn
![Page 94: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/94.jpg)
94
آآماددهه ساززیی یک شبکه چند الیهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 95: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/95.jpg)
95
آآماددهه ساززیی یک شبکه چند الیهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().iterations(100).layer(new RBM()) .nIn(784).nOut(10).list(4).hiddenLayerSizes(new int[]{500, 250, 200}) .override(new ClassifierOverride(3)) .build();
For creating a deep learning network in Deeplearning4j, the foundation is the MultiLayerConfiguration constructor. Below are the parameters for this configuration and the default settings. A multilayer network will accept the same kinds of inputs as a single-layer network. The multilayer network parameters are also typically the same as their single-layer network counterparts.
![Page 96: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/96.jpg)
96
آآماددهه ساززیی یک شبکه چند الیهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().iterations(100).layer(new RBM()) .nIn(784).nOut(10).list(4).hiddenLayerSizes(new int[]{500, 250, 200}) .override(new ClassifierOverride(3)) .build();
hiddenLayerSizes: int[], number of nodes for the feed forward layer • two layers format = new int[]{50} = initiate int array with 50 nodes • five layers format = new int[]{32,20,40,32} = layer 1 is 32 nodes, layer 2 is
20 nodes, etc
![Page 97: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/97.jpg)
97
آآماددهه ساززیی یک شبکه چند الیهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().iterations(100).layer(new RBM()) .nIn(784).nOut(10).list(4).hiddenLayerSizes(new int[]{500, 250, 200}) .override(new ClassifierOverride(3)) .build();
list: int, number of layers; this function replicates your configuration n times and builds a layerwise configuration • do not include input in the layer count
![Page 98: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/98.jpg)
98
آآماددهه ساززیی یک شبکه چند الیهگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().iterations(100).layer(new RBM()) .nIn(784).nOut(10).list(4).hiddenLayerSizes(new int[]{500, 250, 200}) .override(new ClassifierOverride(3)) .build();
http://deeplearning4j.org/doc/
![Page 99: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/99.jpg)
99
ررااههحلگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Solution: Combine convolutional, max pooling, dense (feed forward) and recurrent (LSTM) layers to classify each frame of a video (using a generated/synthetic video data set) Specifically, each video contains a shape (randomly selected: circles, squares, lines, arcs) which persist for multiple frames (though move between frames) and may leave the frame. Each video contains multiple shapes which are shown for some random number of frames.
![Page 100: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/100.jpg)
100
ررااههحلگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Solution: Combine convolutional, max pooling, dense (feed forward) and recurrent (LSTM) layers to classify each frame of a video (using a generated/synthetic video data set) Specifically, each video contains a shape (randomly selected: circles, squares, lines, arcs) which persist for multiple frames (though move between frames) and may leave the frame. Each video contains multiple shapes which are shown for some random number of frames.
IMP
![Page 101: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/101.jpg)
101
یاددگیریی با نظاررتت - ملزووماتت گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Prerequisites:
• Windows, Linux or Mac • Java 1.7 • Apache Maven 3
![Page 102: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/102.jpg)
102
Maven ساخت پرووژژهه پایه توسطگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Create the Maven project:
mvn archetype:generate -DarchetypeGroupId=org.apache.maven.archetypes -DgroupId=ir.ac.ut.acm.recurrent.video -DartifactId=VideoClassification -DinteractiveMode=false
![Page 103: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/103.jpg)
103
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Rename the default created App class to VideoClassification
mv main/java/ir/ac/ut/acm/recurrent/video/App.java main/java/ir/ac/ut/acm/recurrent/video/VideoClassification.java
![Page 104: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/104.jpg)
104
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
<properties> <nd4j.version>0.4-rc3.8</nd4j.version> <dl4j.version>0.4-rc3.8</dl4j.version> <canova.version>0.0.0.14</canova.version> </properties>
![Page 105: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/105.jpg)
105
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
<dependency> <groupId>org.deeplearning4j</groupId> <artifactId>deeplearning4j-nlp</artifactId> <version>${dl4j.version}</version> </dependency> <dependency> <groupId>org.deeplearning4j</groupId> <artifactId>deeplearning4j-core</artifactId> <version>${dl4j.version}</version> </dependency> <dependency> <groupId>org.nd4j</groupId> <artifactId>nd4j-x86</artifactId> <version>${nd4j.version}</version> </dependency> <dependency> <artifactId>canova-nd4j-image</artifactId> <groupId>org.nd4j</groupId> <version>${canova.version}</version> </dependency>
![Page 106: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/106.jpg)
106
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Add ُthe following build plugin:
<plugin> <artifactId>maven-compiler-plugin</artifactId> <configuration> <source>1.7</source> <target>1.7</target> </configuration> </plugin>
![Page 107: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/107.jpg)
107
گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Add the jar plugin:
<plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-jar-plugin</artifactId> <configuration> <archive> <manifest> <addClasspath>true</addClasspath> <mainClass>ir.ac.ut.acm.recurrent.video.VidoClassification</mainClass> </manifest> </archive> </configuration></plugin>
![Page 108: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/108.jpg)
108
کدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 109: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/109.jpg)
109
کدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 110: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/110.jpg)
110
کدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 111: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/111.jpg)
111
کدگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 112: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/112.jpg)
112
یاددگیریی با نظاررتت -ااجراا گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Run the class by using the following command:
mvn compile Dexec.mainClass="ir.ac.ut.acm.recurrent.video.VideoClassification"
![Page 113: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/113.jpg)
113
نتایج گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 114: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/114.jpg)
114
نتایج گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Total time: 03:04 h
![Page 115: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/115.jpg)
115
نتایج گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
![Page 116: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/116.jpg)
116
نتایج گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
Total time: 16:01 h
![Page 117: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/117.jpg)
117
یاددگیریی با نظاررتت - مخزنن گذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/recurrent/video/VideoClassificationExample.java
![Page 118: Big Data and Machine Learning Workshop - Day 5 @ UTACM](https://reader031.fdocuments.us/reader031/viewer/2022021922/588a26681a28abb21f8b6525/html5/thumbnails/118.jpg)
118
مرجعگذرریی بر کارربرددهایی ددااددهههایی بزررگگ وو یاددگیرییماشین - تابستانن ACM - ۱۳۹۵ دداانشگاهه تهراانن
https://research.googleblog.com/2015/07/how-google-translate-squeezes-deep.htmlhttp://deeplearning.net/tutorial/lenet.html
https://en.wikipedia.org/wiki/David_H._Hubel
https://www.youtube.com/watch?v=8VdFf3egwfg
https://groups.google.com/forum/#!msg/irandeeplearning/mRn5mSmN7jg/1dVeViynAAAJ
http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/
http://cs231n.github.io/
http://deeplearningbook.org/
MIT Tech Review, 10 BREAKTHROUGH TECHNOLOGIES, 2013 - Robert D Hof