اصول مدلسازی – مدل سازی چیست؟

Basics of Modeling

فهرست مطالب پاورپوینت

برخورد انسان با پدیده های طبیعی

مشاهده
اندازه گیری (کمی سازی)
تلاش برای برقراری روابط این-همانی
دسته بندی
انتزاع
دو اسب و دو درخت هر دو مصداق هایی از عدد دو هستند
انتزاع مفهوم عدد دو
دو درخت و سه درخت و چهار درخت هر سه بیانگر تعدادی درخت هستند
انتزاع مفهوم درخت

پاورپوینت اصول مدلسازی – مدلسازی چیست؟

مدلسازی نوعی انتزاع است
حرکت از جزء به کل
مشاهدات و اندازه گیری های جزئی
بیان/انتزاع روابط بین کمیت های اندازه گیری شده
توگویی که روابط انتزاع شده در توصیف پدیده مورد مطالعه محدود به مشاهدات نیستند
مسیری استقرائی
استقراء تجربی نه استقراء ریاضی که نوعی قیاس است
آیا حرکت از جزء به کل ممکن است؟
مگر در قالب قیدها
مثلا نوعی هموار بودن در رفتار تابع
گاه قید اعمال شده واضح نیست (Implicit)
گاه آنقدر به اعمال قید عادت کرده ایم که آن را نمی بینیم
اهمیت حیاتی دارد که در هر فرایند مدل سازی قید هایی که حرکت از جزء به کل را ممکن کرده اند بشناسیم
انتزاع نه فقط در چارچوب مشاهدات که در چارچوب مجموعه مشاهدات و اندازه گیری ها و قیدها و فرضیات انجام می شود

مدلسازی و نظریه سیستم ها

نگرش سیستمی دید حاکم بر نحوه توصیف پدیده ها است – اصول مدلسازی
مدل سازی و نظریه سیستم ها
تعامل محیط با پدیده مورد مطالعه از طریق تعدادی معدود کمیت قابل مشاهده و اندازه گیری
ورودی ها: کمیت های محیطی موثر در رفتار پدیده
خروجی ها: نحوه تاثیر پدیده بر محیط
نوعی فرض علیت بر این توصیف حاکم است
مدل سازی در مورد پدیده های غیر علی حرف نمی زند

مدلسازی و نظریه سیستم ها

آیا همواره می توان پدیده مورد مطالعه را از محیط جدا کرد؟
آیا همواره می توان تعامل پدیده مورد مطالعه و محیط را محدود به تعدادی ورودی و خروجی مشخص کرد؟
آیا همیشه همه عوامل موثر بر یک پدیده را می شناسیم؟
آیا همه عوامل موثر بر یک پدیده تحت کنترل ماست؟
آیا رابطه علی بین ورودی و خروجی ها قابل اثبات است؟

نایقینی و مدلسازی

مدلسازی و نظریه سیستم ها
برای آنکه به یک تعبیر عملیاتی برسیم که امکان محاسبه را به ما بدهد توافق می کنیم
مدل محاسباتی
تعدادی معادلات و روابط ریاضی که ارتباط بین ورودی و خروجی ها را بصورت کمی بیان می کند
با کمیت های نه تنها قابل مشاهده که قابل اندازه گیری سر و کار داریم
مدل توصیفی در مقابل مدل محاسباتی
سنت غالب در علوم شناختی مانند علوم انسانی، علوم اجتماعی، علوم پزشکی، و اقتصاد مدل سازی توصیفی بوده است
حرکت به سمت کمی سازی: فرصت ها و تهدیدها
اصول مدلسازی – مدل هایی با امکان توصیف کمی و کیفی در کنار هم و نایقینی

آیا مدل همان سیستم است؟

این آرزوی ماست
نایقینی
اصول مدلسازی
رویکردهای متداول در مدل سازی
جعبه سفید
امکان مطالعه اجزای سیستم و نحوه تعامل آنها
شکاندن سیستم به اجزاء غیر قابل تجزیه بیشتر
نگرش غالب از قدیم تا نیمه قرن بیستم
جعبه سیاه
امکان مشاهده ورودی و خروجی های سیستم
عدم امکان مشاهده و درک داخل سیستم
نگرش عمدتا توسعه یافته با ابزارهای محاسباتی
جعبه خاکستری راه واقعا موثر
تقسیم بندی سیستم ها / مدل ها
دینامیکی / ایستا
خطی / غیر خطی
متغیر با زمان / نامتغیر با زمان
تصادفی / معین
ایستان / غیر ایستان
علی / غیرعلی

مدلسازی

آیا لزوما مدل و سیستم باید از یک جنس باشند؟

هدف از مدلسازی

پیش بینی
کنترل
بازیابی گذشته (فیلترکردن)
شبیه سازی و تحلیل فرآیند
رفتاری
ساختاری
تشخیص خطا
هدف از مدلسازی در روند مدلسازی تاثیر مستقیم دارد
مدلی که برای تمام اهداف خوب باشد نداریم
مدل خوب چه مدلی است؟

معمولا محدوده ای ورودی ها و شرایط محیط و سیستم مد نظر است. در آن محدوده ارزیابی می کنیم
مدل سازی بدون ارزیابی ارزشی ندارد
آزمون پذیری، ابطال پذیری، و حوزه علوم تجربی

شناسایی سیستم ها

مدلسازی داده-محور (Data driven)
از جنس جعبه سیاه یا جعبه خاکستری
مدل سازی جعبه سفید
نیاز به دانش حوزه فراوان دارد
کمتر روش های عمومی دارد
توصیف کلاسیک منصوب به زاده ۱۹۶۲
توسعه اصلی همگام با ابزارهای محاسباتی ار ۱۹۷۰ به بعد
شناسایی سیستم ها
داده های ورودی خروجی بجای سیستم
خانواده مدل پارامتری
ملاک برازش بجای ملاک این همانی
حل مسئله بهینه سازی در فضای پارامتری
به این ترتیب مسئله زمینی و حل پذیر شده است
ورودی های مدل چه باشد؟
انتخاب ورودی از یک بستر بزرگ

تحلیل همبستگی
تحلیل اطلاعات متقابل
تعداد ورودی زیاد
تعداد ورودی کم
ورودی های ناشناحته
Disturbance
نایقینی و مدل سازی
انتخاب خانواده مدل
مسئله مهم تعمیم پذیری
تناسب پیچیدگی داده ها با میزان انعطاف خانواده مدل
شناسایی ساختار و شناسایی پارامتر
نیاز به دانش حوزه در انتخاب خانواده مدل و شناسایی ساختار
چند خانواده مدل مهم

مدل رگرسیون خطی

مدل های خطی دینامیکی مبتنی بر رگرسیون خطی در مدلسازی
مدل های غیرخطی دینامیکی مبتنی بر رگرسیون خطی
مدل های غیرخطی ایستا و دینامیکی
مدل های خطی-محلی
مدل های شبکه عصبی
مدل های فازی
مدل های فازی-عصبی
مدل های فازی-تصادفی
دینامیک کجا ها وارد شود؟
رگرسیون روی ورودی
رگرسیون روی خروجی
دینامیک مرتبه چند باشد؟
آیا همه دینامیک ها لازم است؟

مسئله تاخیر
شناسایی ساختار
محدود کننده خانواده مدل است
معنی ساختار در رگرسیون خطی
معنی ساختار در شبکه عصبی
معنی ساختار در سیستم فازی
پرهزینه! نیاز به تکرار شناسایی پارامترها
بسیار موثر در کیفیت تعمیم پذیری مدل
مسئله تعمیم پذیری

ارزیابی مدل از منظر تعمیم پذیری در مدلسازی

تقسیم داده ها داده های آموزش و آزمون (و ارزیابی)
Bias Variance trade off
Regularization
حالا چه مدلی خوب است؟
عدم حساسیت نزدیک ساختار بهینه
سادگی مدل در مدلسازی و اصل خست!
شناسایی پارامتر
سیستماتیک ترین بخش کار
روش های جستجو در فضای پارامتری
روش های بهینه سازی
روش های بهینه سازی مبتنی بر گرادیان
جستجوی محلی در مقابل جستجوی سراسری
مسئله هزینه جستجو
انتخاب داده های ورودی
همیشه ممکن نیست!
اگر ممکن بود آزمایش طراحی کنید
انواع داده ها
عددی
عددی با نایقینی
توصیفی و کلامی
داده های نا موجود
مدل هایی که توان حمل نایقینی دارند
مدل هایی که توان کار با Hybrid Data دارند

نکات نهایی مدلسازی

مدل سازی یک فرایند اتوماتیک نیست
مدلسازی داده محور با نیم نگاهی به دانش حوزه
اگر امکان مدل سازی جعبه سفید وجود دارد، انجام دهید
سادگی و خست اصول محوری
مدل های محاسباتی مرکز توجه در مدل سازی شناختی
ارزیابی مدل مهم تر از مدلسازی است
قابلیت تعمیم پذیری کلمه کلیدی در ارزیابی
قابلیت حمل نایقینی کلمه کلیدی در انتخاب خانواده مدل