قیاس رویکردی الگورتیمهای یادگیری ماشین برای شبکه عصبی مصنوعی، شبکه عصبی MLP،شبکه عصبیRBF

مسیله یادگیری ماشین این است که کامپیوتر بتواند به تدریج و با افزایش داده ها، کارایی بهتری در انجام وظیفه ی مورد نظر پیدا نموده و پژوهشگران بر آناند که روشهای یادگیری نوینی به وجود بیاورند و امکان پذیری و کیفیت یادگیری را برای تکنیکهای پیشنهادی مطالعه کنند و در سوی دیگر عدهای از پژوهشگران سعی میکنند روشهای یادگیری ماشینی را بر مسایل تازه ای اعمال کنند پس هدف یادگیری ماشین عبارت است از: چگونه میتوان برنامه ای نوشت که از طریق تجربه، یادگیری کند و عملکرد خود را بهتر نماید و یکی از بارزترین الگوریتم های یادگیری ماشین همان شبکه های عصبی مصنوعی هستند که با توجه به حجم بالای اطلاعات در بانکهای داده و یافتن اطلاعات مفید و مناسب در آنها ضرورت پیدا کرده. از سویی دیگر یادگیری شبکه عصبی مصنوعی، یکی از پرکاربردترین و کارآمدترین متدهای یادگیری استقرایی برای پردازش ها میباشند . هدف این مقاله، ارایه کارا بودن روش یادگیری شبکه عصبی RBF به عنوان روشی مناسب و قوی برای داده هایی با حجم بالا، نسبت به شبکه عصبی و شبکه عصبی چند لایه میباشد. در روش تحقیق، ارزیابی از عملگردهای الگوریتم های یادگیری ماشین یعنی انواع شبکه عصبی انجام گردیده و سرانجام در بخش یافته ها و نتایج تجربی الگوریتم یادگیری شبکه عصبی RBF نسبت به رقیبهای خود یعنی شبکه عصبی چند لایه و شبکه عصبی مصنوعی توانست به نتایج بهتری دست یابد.

کلیدواژه ها:

الگورتیم های یادگیری ماشین ، شبکه عصبی مصنوعی ، شبکه عصبی MLP ، شبکه عصبی .RBF