انجمن علمی


poster
۱۳۹۶/۰۱/۲۸ علمی مهندسی



راه های ارتباطی با برگزارکننده:

ایران - تهران رسالت، خیابان هنگام، خیابان دانشگاه علم و صنعت ایران

09125141543

cesa_iust@gmail.com

@cesa_iust





دکتر محمد قاسمی حامد

Mohammad Ghasemi Hamed received his Ph.D. (2014) degree in Computer Science from the "Institut National Polytechnique de Toulouse" (INPT) in Toulouse, France and his M.Sc. (2010) in Artificial Intelligence from the University of Toulouse III. During his thesis, he worked on aircraft trajectory prediction problem, where he developed high confidence interval for non-parametric regression methods. He had two years of postdoctoral research experience in classification and Bayesian fusion of hierarchical classifier. He is currently a researcher in the LIVIC laboratory in IFSTTAR's Versailles research center.

Bayesian Inference vs Null Hypothesis Significance Testing (NHST)

سمینار« Bayesian Inference vs Null Hypothesis Significance Testing (NHST)» در روز دوشنبه 28 فروردین 1396 در دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران برگزار گردید. این سمینار توسط آقای دکتر محمد قاسمی حامد ارائه شد. دکتر محمد قاسمی حامد دکترای خود را در رشته­ی علوم کامپیوتر از «انستیتو ملی پلی تکنیک تولوز» شهر تولز فرانسه در سال 2014 دریافت کرده است. کارشناسی ارشد خود را در رشته­ی هوش مصنوعی از دانشگاه تولوز III در سال 2010 نیز دریافت کرده است. موضوع پایان نامه ایشان مسئله پیش بینی مسیرهای هواپیمایی است که فاصله اطمینان بالا برای روش رگرسیون ناپارامتری را توسعه دادند. وی دو سال تجربه تحقیقات فوق­دکتری در زمینه­ی « classification and Bayesian fusion of hierarchical classifier»را دارد. او در حال حاضر یک محقق در آزمایشگاه LIVIC در مرکز تحقیقات ورسای IFSTTAR است.

  آمار مدرن و تجزیه و تحلیل داده ها بر دو تفاوت مفهومی تأکید دارند: اول این که آزمون فرض با تخمین بدون  قطعیت کمی متفاوت است. و دومی این که ، نوع استدلال انجام شده در روش­های کلاسیک آمار با روش­های بیزی مغایرت دارند. هدف اصلی در این سمینار این است که چرا روش­های بیزی بهتر از روش­های کلاسیک به اهداف آمار جدید می­رسند. در این راستا به بررسی دو روش بیزی و کلاسیک در مورد آزمون فرضیه و برآورد با بازه اعتماد پرداخته شد.

پیشگامان یادگیری ماشینی در پی کشف روش­های نوین تولید مدل­های تحلیل داده بودند، مثل پیدا کردن بهترین درخت طبقه بندی یک مجموعه داده. به مرور زمان و با افزایش تنوع روش­های تولید مدل­های یادگیری (طبقه بندی یا رگرسیون)، لزوم وجود یک روش برای مقایسه آن­ها بیش از پیش معلوم شد. مقالات نیز به تدریج شروع به مقایسه روش پیشنهادی خود با روش­های موجود کردند. در این راستا محققین یادگیری ماشینی، مثل جوامع علمی دیگر روش آزمون فرضیه متفاوت را برای اثبات برتری نتایج شان به کار بردند. اما روش آزمون فرضیه متفاوت به زودی اعتبار علمی خود را از دست داد.

محور های سخنرانی به صورت زیر بود:

  • چرا آمار؟
  • NHST تعریف و مشکلات آن
  • روش های بیزی
  • استنتاج بیزی برای مقایسه طبقه بندی
  • نتیجه گیری

 

 در این سمینار یک بخش کامل صرف نشان دادن بسیاری از مشکلاتNHST شد . این سمینار همچنین دارای بخشی بود  که روش بیزی را  جایگزین روش  frequentist NHST شد و در مورد استنتاج و نتایج آن بحث شد. در نهایت نیز کتابخانه نرم افزار با الگوریتم های لازم و دستورالعمل های کوتاه برای استفاده از آنها توصیف گردید.

در نهایت از بحث­هایی که در سمینار صورت گرفت می توان این نتیجه گیری را  کرد که روش بیزی Bayesian دارای مزیت های زیر می باشد و به همین دلیل باید از این روش استفاده کرد:

  • به نیت و قصد نمونه برداری و آزمایش بستگی ندارد
  • Posterior به طور صریح اندازه اثر و عدم قطعیت را کنترل می­کند.
  • CI به سوال درست پاسخ می­دهد.
  • ترکیب با ROPE  می­تواند باعث شود که تصمیمات معقولی بگیریم.

اما مشکلاتی نیز دارد مثلا مانند روش