نقش منظم سازیهای متفاوت در مدلهای یادگیری ماشین و عمیق با تاکید بر دیدگاه آماری

امروزه مدلهای یادگیری ماشین و یادگیری عمیق برای حل طیف وسیعی از مسائل در حوزه های گوناگون مانند تحلیل ژن، پردازش تصاویر مهندسی و اقتصاد به کار می روند که مجموعه داده های موجود در آنها اغلب دارای ابعاد بالا هستند. این ویژگی می تواند منجر به دشواری تعمیم پذیری، محاسبات پرهزینه و بیش برازش هنگام استفاده از این مدل ها شود. بنابراین اتخاذ رویکردهایی که به مقابله با این چالش ها بپردازند پراهمیت است. منظم سازی به عنوان چنین رویکردی شناخته می شود. با توجه به خواص مطلوب منظم سازی ۱۱ در این مقاله نخست به معرفی و مرور آن پرداخته شده و الگوریتم های موجود برای حل مسائل مبتنی بر این نرم مورد مطالعه قرار می گیرند. در بخش نهایی امکان استفاده از نرم ۱۱ در یادگیری عمیق بررسی می شود.

کلیدواژه ها:

منظم سازی ، تنکی ، داده های بعد بالا ، لاسو ، یادگیری عمیق