https://virgool.io/feed/@hanieh_molavi fa 2026-06-16 14:12:31 https://files.virgool.io/upload/users/130732/avatar/WS9T99.png?height=120&width=120 https://virgool.io/@hanieh_molavi https://virgool.io/@hanieh_molavi/machine-learning-bayesian-decision-theory3-glodblxwzqhr یادگیری ماشین و تئوری بیژینابتدا کلمه نتیجه باید با class جایگزین شود. به جای اینکه بگوییم نتیجه Ci است، بهتر است بگوییم که کلاس Ci است.در اینجا لیستی وجود دارد که عوامل در نظریه تصمیم بیژین را به مفاهیم یادگیری ماشین مرتبط می کند:برای X داریم : بردار ویژگی برای (X)p داریم : شباهت بین بردار ویژگی X و بردارهای ویژگی مورد استفاده در آموزش مدل برای Ci داریم: برچسب کلاسبرای (Ci)p داریم : تعداد دفعاتی است که مدل یک بردار ویژگی ورودی را به عنوان کلاس Ci طبقه بندی می کند. (تصمیم مستقل از بردار ویژگی X است)برای P(X|Ci) داریم : تجربه مدل یادگیری ماشین قبلی در طبقه بندی بردارهای ویژگی مشابه X به عنوان کلاس Ci است. این کلاس Ci را به ورودی فعلی X مرتبط می کند.هنگامی که شرایط زیر اعمال می شود، این احتمال وجود دارد که بردار ویژگی X به کلاس Ci نسبت داده شود:این مدل بر روی بردارهای ویژگی نزدیک به بردار ورودی فعلی X آموزش داده شده است. این باعث افزایش p(X) می شود.این مدل بر روی برخی از نمونه‌ها (یعنی بردارهای ویژگی) که متعلق به کلاس Ci هستند آموزش داده شده است. این باعث افزایش p(Ci) می شود.این مدل برای طبقه بندی نمونه های نزدیک به X به عنوان متعلق به کلاس Ci آموزش داده شد. این باعث افزایش p(X|Ci) می شود.هنگامی که یک مدل طبقه بندی آموزش داده می شود، فرکانس وقوع یک کلاس Ci را می داند و این اطلاعات به عنوان احتمال قبلی p(Ci) نشان داده می شود. بدون احتمال قبلی p(Ci)، مدل طبقه بندی بخشی از دانش آموخته شده خود را از دست می دهد.با فرض اینکه احتمال قبلی p(Ci) تنها احتمال مورد استفاده است، مدل طبقه بندی ورودی X را بر اساس مشاهدات گذشته بدون حتی دیدن ورودی X جدید طبقه بندی می کند. به عبارت دیگر، حتی بدون تغذیه نمونه (بردار ویژگی) به مدل، مدل تصمیم می گیرد و آن را به یک کلاس اختصاص می دهد.داده‌های آموزشی به مدل طبقه‌بندی کمک می‌کند تا هر ورودی X را به برچسب کلاسش Ci نگاشت کند. چنین اطلاعاتی به عنوان احتمال احتمال p(X|Ci) نشان داده می شود. بدون احتمال احتمال p(X|Ci)، مدل طبقه بندی نمی تواند بداند که آیا نمونه ورودی X با کلاس Ci مرتبط است یا خیر. hanieh_molavi hanieh_molavi Sat, 18 Jun 2022 16:37:24 +0430 https://virgool.io/@hanieh_molavi/bayesian-decision-theory-2-nztobfxus6vw اکنون به بخش دوم نظریه بیژین رسیدیم و می خواهیم نکاتی رو بررسی کنیم.با فرض وجود دو نتیجه ممکن، پس باید موارد زیر رعایت شود:(با فرض اینکه 2 تا شرط داریم)P(C1​)+P(C2​)=1علت یک شدن مجموع احتمالات این است که برای یک ورودی داده شده، نتیجه آن باید یکی از این دو باشد. هیچ نتیجه نامعلومی وجود ندارد.اگر نتایج n وجود داشته باشد، موارد زیر باید رعایت شوند:P(C1​)+P(C2​)+P(C3​)+...+P(Cn​)=1با توجه به معادلات prior probability، مجموع همه احتمالات پسین یا posterior probabilities، باید 1 باشد.P(C1​∣X)+P(C2​∣X)=1در حال تعمیم یافته هم خواهیم داشت:P(C1​∣X)+P(C2​∣X)+P(C3​∣X)+...+P(Cn​∣X)=14) شاهد یا Evidence در اینجا نحوه evidence شواهد زمانی است که فقط دو نتیجه رخ می دهد:P(X)=P(X∣C1​)P(C1​)+P(X∣C2​)P(C2​)در حالت تعمیم یافته خواهیم داشت:P(X)=P(X∣C1​)P(C1​)+P(X∣C2​)P(C2​)+P(X∣C2​)P(C2​)+...+P(X∣Cn)P(Cn​)با توجه به آخرین معادله evidence، نظریه تصمیم بیژین (یعنی پسین) را می توان به صورت زیر نوشت:در بخش بعدی به مفاهیم نظریه تصمیم گیری بیژین در یادگیری ماشین می پردازیم. hanieh_molavi hanieh_molavi Sat, 18 Jun 2022 16:23:36 +0430 https://virgool.io/@hanieh_molavi/bayesian-decision-theory-1-md6blkk5n2i7 نظریه تصمیم گیری بیژیناین نظریه، یک رویکرد آماری در تصمیم‌گیری است و برای طبقه بندی الگوها از آن استفاده می شود.در این روش بیژین از احتمال طبقه بندی استفاده می کند و ریسک (یعنی هزینه یا loss function) تخصیص ورودی به یک کلاس معین را اندازه می گیرد. در زیر به توضیح یکسری از پارامترهای این نظریه می پردازیم.1) احتمال قبلی یا Prior Probability: همانطور که از نامش پیداست مقدار این پارامتر باید باتوجه به رخدادهای قبلی محاسبه شود.فرض کنید شخصی می پرسد که برنده مسابقه آینده بین دو تیم چه کسی خواهد بود. A و B به ترتیب به تیم اول یا دوم برنده اشاره می کند.در 10 بازی اخیر جام حذفی، چهار بار A و شش بار B رخ داده است. بنابراین، احتمال وقوع A در مسابقه بعدی چقدر است؟ بر اساس تجربه (یعنی اتفاقاتی که در گذشته رخ داده است)، احتمال قبلی که تیم اول A در مسابقه بعدی برنده شود عبارت است از:P(A)=4/10=0.4اما رویدادهای گذشته ممکن است همیشه ادامه نداشته باشند، زیرا ممکن است موقعیت یا زمینه تغییر کند. به عنوان مثال، تیم A می توانست تنها 4 بازی را ببرد، زیرا تعدادی از بازیکنان مصدوم بودند. وقتی بازی بعدی بیاید، همه این بازیکنان مصدوم بهبود یافته اند. بر اساس شرایط فعلی، تیم اول ممکن است در بازی بعدی با احتمال بیشتری نسبت به آنچه که فقط بر اساس رویدادهای گذشته محاسبه شده است، برنده شود.پس می توان گفت که احتمال قبلی، احتمال اقدام بعدی را بدون در نظر گرفتن مشاهده فعلی (یعنی وضعیت فعلی) اندازه گیری می کند. این مانند پیش بینی این است که یک بیمار فقط بر اساس بازدیدهای قبلی پزشکان به یک بیماری خاص مبتلا است و زمان فعلی را که ممکن است فرد دیگر بیمار نباشد در نظر نمی گیرد.این امر می‌تواند کیفیت ارزش پیش‌بینی را کاهش دهد. این مشکل با استفاده از likelihood حل می شود.2) احتمال یا likelihood:برای پاسخ به این سوال likelihood به ما کمک می کند.با توجه به برخی شرایط، احتمال وقوع یک نتیجه چقدر است؟ به صورت زیر مشخص می شود: P(X∣Ci​)عبارت بالا به این شکل خوانده می شود "تحت مجموعه ای از شرایط X، احتمال اینکه نتیجه Ci باشد چقدر است؟".جایی که X به شرایط اشاره دارد و Ci به نتیجه اشاره دارد. از آنجا که ممکن است چندین نتیجه وجود داشته باشد، متغیر C زیرنویس i داده می شود.با توجه به مثال ما در مورد پیش بینی تیم برنده، احتمال وقوع نتیجه A دیگر فقط به رویدادهای گذشته بستگی ندارد، بلکه به شرایط فعلی نیز بستگی دارد. درواقع likelihood وقوع یک نتیجه را به شرایط فعلی در زمان انجام یک پیش بینی مرتبط می کند.نکته: یک اشکال استفاده از likelihood این است که تجربه (احتمال قبلی) را نادیده می گیرد که در بسیاری از موارد مفید است ولی ممکن است همیشه هم مفید نباشد. بنابراین، یک راه بهتر برای انجام یک پیش‌بینی، ترکیب هر دوی آنهاست.3) احتمال قبلی و لایکلیهود (Prior and Likelihood Probabilities)باتوجه به توضیحات بخش قبل متوجه شدیم که هر کدام از این پارامترها به تنهایی مناسب نیست ولی ترکیبی از اینها که ترکیبی از رخدادهای قبلی و وضعیت فعلی است، نتایج بهتری در پیش بینی به ما خواهد داد.P(Ci​)P(X∣Ci​)استفاده از هر دو احتمال قبلی و احتمال با هم گام مهمی در جهت درک نظریه تصمیم بیزی است. Bayesian Decision Theoryنظریه تصمیم بیژین نتیجه را نه تنها بر اساس مشاهدات قبلی، بلکه با در نظر گرفتن وضعیت فعلی پیش بینی می کند. این قانون معقول ترین اقدامی را که بر اساس مشاهده انجام می شود، توصیف می کند.فرمول آن را در زیر مشاهده می کنیم:برای (Ci)p داریم: *prior probability* چند بار است که کلاس Ci مستقل از هر شرایطی (یعنی بدون توجه به ورودی X) رخ داده است.برای (X|Ci)p داریم: *likelihood* تحت برخی شرایط X، این چند بار است که نتیجه Ci رخ داده است.برای (X)p داریم: *Evidence* تعداد دفعاتی که شرایط X رخ داده است.برای (Ci|X)P داریم: *posterior probability * احتمال اینکه نتیجه Ci با توجه به برخی شرایط X رخ دهد.نظریه تصمیم بیزی پیش بینی های متعادلی را ارائه می دهد، زیرا موارد زیر را در نظر می گیرد:اولp(X) : شرایط X چند بار رخ داده است؟دوم p(Ci) : چند بار نتیجه Ci رخ داد؟سوم p(X|Ci) : هر دو شرایط X و نتیجه Ci چند بار با هم اتفاق افتادند؟در بخش های بعدی نکاتی را مورد بحث قرار می دهیم. hanieh_molavi hanieh_molavi Sat, 18 Jun 2022 16:10:20 +0430 https://virgool.io/@hanieh_molavi/%D9%BE%D8%B1%D9%88%D8%AA%DA%A9%D9%84-mptcp-%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%85-kccjwlggrxxf بررسی سرعت این پروتکل به کمک یادگیری ماشینتو بخش قبلی در مورد نحوه کارکرد این پروتکل صحبت کردیم. اینبار می خواییم ببینیم هوش مصنوعی ای که زندگی بشر رو تحت تاثیر قرار داده تو حوزه شبکه چیکار کردهیادگیری ماشین یکی از درس های گرایش هوش مصنوعی هست و کلی آموزش و دوره هم براش هست که اگر علاقه مند بودید برید سمتشخب ببینیم یادگیری ماشین با این پروتکل چیکار میکنه!قبل از توضیح یک مثال می زنم که باعث درک بهتر موضوع بشه.باتوجه به شکل اول(بالا)،مبدا ما A هست و میخواییم 10 تا بسته رو از این مسیر به B ارسال بکنیم و یک بازرس هم این بین وجود داره که بررسی کنه همه بسته های ارسالی ازA به B ارسال شده باشن و بسته های غیر مرتبط به B نرسن. در شکل دوم(پایین)،بینه A و B دو تا مسیر هست در هر مسیر همچنان یک بازرس هست که میخواییم ده تا بسته رو از A به B ارسال کنیم.به نظر شما بسته ها تو کدوم شکل سریع تر به B میرسن؟بله درسته تو شکل دومعلتشم کاملا واضحه. پروتکل MPTCP هم دقیقا همین کار رو میکنه.حالا شاید سوال بشه که خب پس یادگیری ماشین کجا رفت؟جایی نرفته الان در مورد اونم صحبت می کنیم.براهممون پیش اومده که تو بعضی ساعات سرعت اینترنتمون کم بوده و علتش هم ارذحام بوده. ما از پروتکل MPTCP استفاده می کنیم که سرعت اینترنتمون بره بالا پس اگر مسیرهای شلوغ رو برای ارسال بسته ها انتخاب بکنه دیگه چه فایده ای داره! اینجاست که یادگیری ماشین وارد عمل میشه.یادگیری ماشین قبلا به کمک یکسری داده های آموزشی یاد گرفته که چطوری مسیرهای کم ترافیک رو پیدا کنه پس به پروتکلمون کمک میکنه که برای ارسال بسته ها از مسیرهای کم ترافیک(بهینه) استفاده بکنه.خب پس علاوه بر اینکه ما از چندین مسیر برای ارسال داده استفاده می کنیم،مسیرهای بهینه هم استفاده در بخش های بعدی هم در مورد یادگیری ماشین صحبت می کنیم. hanieh_molavi hanieh_molavi Mon, 11 Apr 2022 18:33:46 +0430 https://virgool.io/@hanieh_molavi/%D9%BE%D8%B1%D9%88%D8%AA%DA%A9%D9%84-mptcp-%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-boady2f4imo6 با سلام امروز میخوام براتون در مورد یک پروتکل تقریبا جدید و جالب یک توضیح مفیدی بنویسماحتمالا با پروتکل TCP آشنایی دارید ولی اگر احیانا آشنایی ندارید من یک توضیح مختصری در موردش براتون مینویسم.روش کار پروتکل TCP روش HandShaking هست یعنی : شما فکر کنید یک سمت client داریم و در سمت دیگر server. وقتی client میخواد به server درخواستی بفرستد اول مطمئن میشه که یک اتصالی بین خودش و server ایجاد شده است.بعد از آن اطلاعات بینشان رد و بدل می شود.یک مثال ساده میزنم تا دوستانی که در حوزه شبکه اول راه هستن بخوبی متوجه بشن: شما فکر کنید به یکی از دوستانتون زنگ میزنید،تا زمانی که دوست شما تلفنو برنداشته و یک پاسخ به شما نداده ( مثلا الو یا بفرمایید) شما شروع به حرف زدن نمی کنید.روش برقراری ارتباط در پروتکل TCPباتوجه به شکل اگر دقت بکنید می بینید که یک راه برای ارسال داده (data) وجود دارد. معمولا هم از پورت 80 برای ارسال و دریافت داده استفاده می شود.حالا پروتکل MPTCP چطوری کار میکند؟نام کامل این پروتکل Multipath-TCP هست یعنی TCP چندگانه.این پروتکل بجای استفاده از یک راه برای ارسال داده از چندین راه برای ارسال داده استفاده می کند که اصطلاحا به راه های ایجاد شده subflow گفته می شود. هر subflow یک آدرس آی پی دارد که همه باهم،هم شبکه هستند.روش پرسرعتی برای ارسال داده هست و جالبش اینجاست که می تواند مسیرهای بهینه ای را انتخاب بکند.در پستهای بعدی مطالب تکمیلی خواهم گذاشت تا درک بهتر و کامل تری نسبت به این پروتکل داشته باشید. hanieh_molavi hanieh_molavi Mon, 03 Feb 2020 23:42:40 +0330 https://virgool.io/@hanieh_molavi/%D8%A7%D8%B3%D8%A8-%D8%AA%D8%B1%D9%88%D8%A7-%DB%8C%DA%A9-%D8%B1%D8%A7%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%88%D8%B1%D9%88%D8%AF-%D9%88%DB%8C%D8%B1%D9%88%D8%B3%D9%87%D8%A7-%D8%A8%D9%87-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D8%B4%D9%85%D8%A7-rxweafvyvd5m قطعا خیلی از شماها در مورد اسب تروا ( Trojan Horse )شنیدین ولی ممکنه بعضی از دوستان هم چیزی ندونن پس من بطور خلاصه براتون مینویسم:یونانیان در نبرد اسب تروا سربازان خو را داخل یک اسب چوبی بزرگ و توخالی مخفی شده بودند و این اسبو رو پشت دروازه اصلی شهر تروا قرار دادند. اهالی این شهر فکر کردن که یونانی ها قصد صلح دارند و به همین خاطر این اسب جالب را پشت درها گذاشتند.پس اسبو به داخل شهر بردند و اونجا بود سربازان از اسب خارج میشن و شهر تروا رو تصاحب میکنن.تروژان ها نوعی دیگر از برنامه های مخرب رایانه ای هستند که همانند برنامه های بی ضرر و حتی جالب به نظر می رسند و اغلب از طریق پست الکترونیکی منتشر می شوند.یک مورد جالب در مورد تروا اینکه قابلیت آن را دارد که خود را از بین ببرد و یک مورد جالب دیگر اینکه چون به ظاهر اختلالی در رایانه ایجاد نمی کنند عموما کاربران از وجود آن با خبر نمی شوند.تروا می تواند در هربرنامه ای مستقر شود،حتی ممکن است هر چیزی که شما تایپ می کنید مثل واژه و رمز عبور شما را ذخیره بکند و آن را به فرستنده خود انتقال بده. حتی کار جالبی که انجام میده اینکه تروا دیوار آتش و برنامه های ضد ویروس شما رو غیرفعال می کند تا راه ورود فرستندشو به سیستم شما هموار بکند. hanieh_molavi hanieh_molavi Mon, 03 Feb 2020 22:54:35 +0330 https://virgool.io/@hanieh_molavi/%D8%A7%D9%86%D9%88%D8%A7%D8%B9-%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D9%85%D8%AC%D8%B1%D9%85%D8%A7%D9%86%D9%87-aborjrw91e8g افرادی که در فضای سايبر و رايانه در پی انجام جرم و یا خرابکاری هستند، عموما از دوتا ابزار استفاده می کنند: یکی ویروس و یکی کرم رایانه ای.ویروس رایانه ای خطرناک ترین روشهای فنی برنامه های ویروسی هستند. در واقع می تونیم بگیم که ویروس رایانه ای کد مخرب رایانه ای است که توانایی کپی سازی از خودش و گسترش نمونه های مختلف از خودش را به داخل کدهای اجرایی دیگر یا اسناد رایانه ای یا شبکه و یا نرم افزارها را داراست.ویروسها فضا و حافظه رایانه را با به کارگیری برنامه های مجاز اشغال می کنند و همین باعث میشه که سرعت سیستم پایین بیاد یا حتی رفتارهای عجیب غریب و نا متعارف از خودش نشون بده.اگر بخواییم یکم مهندسی تر توضیح بدیم میشه گفت ویروسها از خانواده بد افزارها یا malware هستند. ویروسها می توانند با استفاده از نرم افزار آلوده به ویروس و با استفاده از روش اسب تروا به سامانه و سیستم وارد شوند. مثلا می توانند یکی از خودشون را در حافظه کامپیوتر ایجاد کنند و میزبانهایی که آلود نیستند را با کپی گرفتن از خودشون و انتقال آن به درون میزبان دیگر آلوده کنند یا اقدام به pay load بکند یعنی هرکاری انجام بده از جمله دادن یک پیام سیاسی که جلب توجه بکنه و یا حتی پاک کردن فایلهای موجود روی هاردتون.میرسیم به کرم رایانه ایگروه دیگه از کدهای مخرب کرم ها هستند.کرم ها تویه مورد مثله ویروسها هستند مثلا همانند ویروسها خودشونو تکثیر میکنند با این تفاوت که کرمها بدون شناسایی کد مستقر روی رایانه میزبان نمی توانند خودشونو تکثیر کنند. کرم ها معمولا از انتقال فايلها بر روی شبکه یا خود رایانه استفاده می کنند و در نتیجه به شبکه های رایانه ای آسیب رسانده و پهنای باند آنها را محدود می کنند.کرمها بر خلاف ویروسها برنامه های متکی به خود هستند و بدون نیاز به سایر برنامه ها فعالیت دارند. کرمها به راحتی تکثیر پیدا می کنند و رایانه های متصل به شبکه را آلوده می کنند.اين نوع از بدافزارها می تواند به يک سامانه دسترسی پيدا کند، اما نمی تواند در خارج از شبکه برای مثال از طريق يک ديسکت گسترش پيدا کند.پس میشه نتیجه گرفت که کرمها روی شبکه فعالیت دارند اما ویروس ها وابسته به تکثیر یا نسخه برداری هستند. hanieh_molavi hanieh_molavi Mon, 03 Feb 2020 22:17:15 +0330