VC Dimension : یک بررسی جامع

از زمان تکامل بشریت، انسان ها از انواع مختلفی از ابزارها برای انجام وظایف مختلف به روشی ساده تر استفاده کرده اند. خلاقیت مغز انسان منجر به اختراع ماشین های مختلف شد. این ماشین ها با قادر ساختن افراد برای برآوردن نیازهای مختلف زندگی از جمله سفر، صنایع و محاسبات، زندگی انسان را آسان کردند. و یادگیری ماشینی یکی از آنهاست. به گفته آرتور ساموئل، یادگیری ماشینی به عنوان رشته ای تعریف می شود که به رایانه ها توانایی یادگیری بدون برنامه ریزی صریح را می دهند و به هشت روش یادگیری کلی تقسیم می شود: یادگیری تحت نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت، یادگیری تقویتی، یادگیری چندوظیفه ای، یادگیری گروهی، شبکه های عصبی و یادگیری مبتنی بر نمونه. هیچ نوع الگوریتم واحدی وجود ندارد که برای حل یک مسئله بهترین باشد. نوع الگوریتم به کار گرفته شده به نوع مسئله ای که می خواهید حل کنید، تعداد متغیرها، نوع مدلی که برای آن مناسب است و غیره بستگی دارد. VC Dimension) یکی از مفاهیم بنیادین در نظریه یادگیری ماشین است که برای سنجش پیچیدگی و توانایی تعمیم مدلهای یادگیری استفاده می شود. اگرچه به طور مستقیم یک الگوریتم یا مدل یادگیری ماشین نیست، اما یک ابزار بسیار مهم برای تحلیل و درک عملکرد مدلهای یادگیری ماشین محسوب می شود. این مفهوم، ارتباط مستقیمی با احتمال بیش برازش (Overfitting) مدل دارد و به ما کمک می کند تا مدلهایی را انتخاب کنیم که نه تنها داده های آموزشی را به خوبی یاد می گیرند، بلکه توانایی پیش بینی دقیق داده های جدید را نیز داشته باشند. بنابراین مطالعه خود را در زمینه VC Dimension انجام دادیم و مثال های تئوری و عددی آن ها را تحلیل کردیم. و VC Dimension را از جنبه های مختلف از جمله اهمیت و چالش ها و کاربرد های کلی مورد بررسی قرار دادیم. علاوه بر این ارتباط آن را با Overfitting تحلیل و بررسی نموده. و همچنین بررسی نامساوی VC و محاسبات آن را شرح دادیم. سپس استفاده از VC Dimension در انتخاب مدل ها را عنوان کردیم. سرانجام VC Dimension را با مثال هایی در دنیای واقعی ارزیابی کردیم. و همچنین مشاهده کردیم علم یادگیری ماشین پاسخ گو بسیاری از چالش های مطرح شده می باشد. در این راستا مقالات مروری و مقالات تحقیقاتی را از پایگاه های داده معتبر علمی دنیا دریافت و بطور کامل بررسی و تحلیل کردیم تا بتواند مورد استفاده دقیق و کاربردی محققان این عرصه قرار گیرد.

کلیدواژه ها:

مدل های یادگیری ماشین ، نظریه یادگیری ، عمق تعمیم ، تعمیم پذیری ، تحلیل پیچیدگی ، پیش برازش ، مدل های پیچیده ، VC Dimension ، سرعت یادگیری