اجبار تدریس (یادگیری ماشین). اجبار تدریس در یادگیری ماشین الگوریتمی است که برای آموزش وزن های شبکه عصبی بازگشتی به کار گرفته می شود. [ ۱] در این روش بعد از هر گام، مقادیر متوالی مشاهده شده ( به عنوان مثال مقادیر حقیقی نمونه ها ) به شبکه عصبی بازگشتی به جای نتایج قبلی لایه های قبلی شبکه داده می شود. این کار باعث می شود که از انباشت خطاهای متوالی در شبکه مدنظر جلوگیری شود و نتایج شبکه عصبی بازگشتی، به نمونه های مشاهده شده در هر گام نزدیک بماند و در این مسیر وزن ها به درستی بروزرسانی شوند. [ ۲]
عبارت «اجبار تدریس» از قیاس اتفاقات درون شبکه عصبی با یک دانش آموزی که می خواهد یک امتحان چند بخشه بدهد آمده است، به طوری که جواب هر بخش وابسته به جواب بخش قبلی است. در این روش، به جای نمره دادن در آخر به تمامی بخش ها، برای هر بخش جداگانه نمره داده شده و دانش آموز با استفاده از جواب های درست، به حل کردن بخش های بعدی می پردازد. [ ۳] این روش اولین بار در سال ۱۹۸۹ توسط رونالد ویلیامز و دیوید زیپسر بیان شد.
این روش به صورت کلی باعث می شود مدل تعریف شده برای انجام یک کار از پیش تعیین شده، سریع تر روی داده های آموزش یاد بگیرد و به سمت جواب بهتری همگرا شود. اما اینکار ممکن است باعث عملکرد غیر بهینه مدل بشود زیرا که در هر مرحله در معرض اشتباهات مراحل قبل قرار نگرفته و نتیجه نادرستی را گزارش دهد.
از موارد دیگری که می توان دربارهٔ کاربرد روش اجبار تدریس در موضوعات مختلف اشاره کرد:
• باعث افزایش دقت و سرعت یادگیری مدل می شود. به طوری که در هر مرحله گام هایی با ثبات و دقت بیشتر به سمت جواب برداشته شده و باعث همگرایی سریع تر به یک جواب خاص شود.
• کاربرد بسیار وسیعی در شبکه عصبی بازگشتی داشته و در انجام کارهایی همانند ترجمه زبان، هماهنگی بین تبدیل متن به گفتار و شناسایی و تشخیص کلمات بسیار مفید واقع می شود. [ ۳]
• می توان از رویکرد ترکیبی آن استفاده کرد به طوری که در گام های اولیه، روش اجبار تدریس جواب های درست را در هر قدم برگردانده و هرچه مراحل بیشتر طی می شود، اثرگذاری اجبار تدریس به تدریج کمتر و کمتر شده تا حدی که در آموزش مدل، خطاهای مراحل قبلی لحاظ شود.
مشکلی که ممکن است این روش دلیل ایجاد آن شود، مشکل بیش برازش است؛ زیرا که مدل فقط براساس نمونه های حقیقی آموزش میابد و بر روی داده های آموزش به خوبی منطبق شده و حالت کلی برای پیش بینی کردن را از دست بدهد. [ ۴]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفعبارت «اجبار تدریس» از قیاس اتفاقات درون شبکه عصبی با یک دانش آموزی که می خواهد یک امتحان چند بخشه بدهد آمده است، به طوری که جواب هر بخش وابسته به جواب بخش قبلی است. در این روش، به جای نمره دادن در آخر به تمامی بخش ها، برای هر بخش جداگانه نمره داده شده و دانش آموز با استفاده از جواب های درست، به حل کردن بخش های بعدی می پردازد. [ ۳] این روش اولین بار در سال ۱۹۸۹ توسط رونالد ویلیامز و دیوید زیپسر بیان شد.
این روش به صورت کلی باعث می شود مدل تعریف شده برای انجام یک کار از پیش تعیین شده، سریع تر روی داده های آموزش یاد بگیرد و به سمت جواب بهتری همگرا شود. اما اینکار ممکن است باعث عملکرد غیر بهینه مدل بشود زیرا که در هر مرحله در معرض اشتباهات مراحل قبل قرار نگرفته و نتیجه نادرستی را گزارش دهد.
از موارد دیگری که می توان دربارهٔ کاربرد روش اجبار تدریس در موضوعات مختلف اشاره کرد:
• باعث افزایش دقت و سرعت یادگیری مدل می شود. به طوری که در هر مرحله گام هایی با ثبات و دقت بیشتر به سمت جواب برداشته شده و باعث همگرایی سریع تر به یک جواب خاص شود.
• کاربرد بسیار وسیعی در شبکه عصبی بازگشتی داشته و در انجام کارهایی همانند ترجمه زبان، هماهنگی بین تبدیل متن به گفتار و شناسایی و تشخیص کلمات بسیار مفید واقع می شود. [ ۳]
• می توان از رویکرد ترکیبی آن استفاده کرد به طوری که در گام های اولیه، روش اجبار تدریس جواب های درست را در هر قدم برگردانده و هرچه مراحل بیشتر طی می شود، اثرگذاری اجبار تدریس به تدریج کمتر و کمتر شده تا حدی که در آموزش مدل، خطاهای مراحل قبلی لحاظ شود.
مشکلی که ممکن است این روش دلیل ایجاد آن شود، مشکل بیش برازش است؛ زیرا که مدل فقط براساس نمونه های حقیقی آموزش میابد و بر روی داده های آموزش به خوبی منطبق شده و حالت کلی برای پیش بینی کردن را از دست بدهد. [ ۴]
