طراحی و تجزیه و تحلیل سیستم های طبقه بندی یادگیری

این کتاب مقدمه ای جامع برای طراحی و تجزیه و تحلیل سیستم های طبقه بندی یادگیری از منظر یادگیری ماشین ارائه می دهد. سیستم های طبقه بند یادگیر  خانواده ای از روش ها برای دستیابی به یادگیری بدون نظارت، یادگیری نظارت شده و کارهای تصمیم گیری پی در پی با تجزیه فضاهای مشکل بزرگتر در زیرمجموعه های آسان برای کنترل است. برخلاف این که معمولاً از دیدگاه محاسبات تکاملی، به طراحی و تحلیل آنها نزدیک می شویم ، در عوض، این کتاب یک رویکرد مبتنی بر مدل محور را بر اساس سؤال تعیین کننده آنها "سیستم های طبقه بندی یادگیری  قرار است چه چیزی یاد بگیرد؟" ترویج می کند.  

 

به طور سیستماتیک پس از این رویکرد، نشان داده می شود که چگونه می توان از روش های یادگیری ماشین برای طراحی الگوریتم های سیستم های طبقه بند یادگیر از اولین اصول مدل احتمالی زمینه ای استفاده کرد. در این کتاب با طبقه بندی برجسته XCS برای اهداف مصور که در حال حاضر در زمینه احتمالی مرتبط است مورد استفاده قرار می گیرد.سیستم این رویکرد کاملاً جامع است به این معنا که طراحی یکپارچه هدف برپایه اساس محکم همه جوانب سیستم های طبقه بند یادگیر در بر می گیرد، علاوه بر این امکان انتقال مبانی نظری روش های مختلف یادگیری ماشینی بر روی سیستم های طبقه بند یادگیر را نیز فراهم می آورد. بنابراین، نه تنها تجزیه و تحلیل سیستم های طبقه بند یادگیر موجود را پیش می برد بلکه طراحی سیستم های طبقه بند یادگیر جدید را نیز در همین چارچوب مطرح می کند.

کلمات کلیدی

الگوریتم آنالیز، تکامل الگوریتم، محاسبات تکاملی، دستگاه یادگیری، مدل یادگیری، یادگیری تقویتی

فایلpdf کتاب را از اینجا دانلود نمایید.

       [2]      Design and Analysis of Learning Classifier Systems. Springer Berlin Heidelberg, 2008.