مقایسه مهمترین الگوریتم های ساختاری در یادگیری ماشین

بطور کلی هدف از یادگیری ماشین ساخت سیستم های کامپیوتری است که از تجریبات یاد می گیرند و قادر به انطباق با محیط خود هستند یادگیری بدست آوردن دانش یا فهم آن از طریق مطالعه آموزش و تجربه است که مشخصا باعث بهبود عملکرد از طریق تجربه می شود همچنین یادگیری توانایی یک ماشین در بهبود عملکرد خود در تقلید روشهای یادگیری انسانها مانند تکرار و تجربه با استفاده از نرم افزاری است که تکنیک های هوش مصنوعی را بکار میگیرد الگوریتم های یادگیری ماشین را می توان به 4 دسته افزایشی در مقابل بسته ای Online در مقابل Offline استقرایی در مقابل قیاسی و نمادین در مقابل عدی تقسیم نمود و همواره برای ارزیابی الگوریتم های یادگیری سه معیار دقت دسته بندی صحت راه حل و کیفیت آن سرعت عملکرد در نظر گرفته می شوند این سیستم ها شامل الگوهای تلفیقی و مکانیزه آلارم دهنده ویژه جهت خودکارسازی فرآیندهای تشخیص هستند که ضمن دارا بودن قابلیت انطباق با محیط و استفاده از تکنیکهای هوش مصنوعی به تقلید از روشهای یادگیری انسانها مانند تکرار و تجربه می پردازند امروزه پیاده سازی یادگیری ماشین وابستگی بالایی به انتخاب زبانهای برنامه نویسی و نوع داده های مورد استفاده است که همین امر کاربران را مجبور به یادگیری یک نوع برنامه نویسی خاص می نماید که البته افزایش قابلیت ها و تعامل با محیطهای متنوع با تبدیل فرمت داده و تغییر پلت فرم ها میسر است

کلیدواژه ها:

دسته بندی ، یادگیری ماشین ، الگوریتمهای یادگیری