کتاب مقدمه ای بر سیستم دسته بند یادگیر

این کتاب مقدمه‌ای برای دسترسی به سیستم‌های دسته‌بند یادگیری جهت استفاده دانشجویان مقطع کارشناسی یا کارشناسی ارشد، تحلیلگران داده و پزشکان یادگیری ماشین است.   

 

 هدف این کتاب از بین بردن سؤال‌ها و مشکل‌های ساده است:

(1) سیستم دسته‌بند یادگیر چگونه کار می‌کنند و چگونه می‌توان آن‌ها را پیاده سازی کرد؟

(2) چه نوع مشکل‌هایی وجود دارد یا می‌توان آن‌ها را اعمال کرد؟

(3) چه چیزی الگوریتم‌های سیستم دسته‌بند یادگیر را در مقایسه با سایر زبان آموزان ماشین منحصر به فرد و سودمند می‌کند؟

(4) چه چالش‌ها یا معایبی وجود دارد؟

(5) چه تغییراتی در الگوریتم‌های سیستم دسته‌بند یادگیر وجود دارد؟

(6) چه منابعی برای پشتیبانی از توسعه الگوریتم‌های جدید سیستم دسته‌بند یادگیر یا استفاده از الگوریتم‌های موجود وجود دارد؟

اصطلاح سیستم دسته‌بند یادگیر برای توصیف خانواده‌ای از الگوریتم‌های یادگیری ماشین استفاده شده است که از یک مفهوم بنیادی برای مدل سازی سیستم‌های انطباقی پیچیده به عنوان مثال اقتصاد، هوا یا مغز انسان بوجود آمده است. مفهوم سیستم دسته‌بند یادگیر بیش از 40 سال تحقیق فعال از یک جامعه کوچک اما اختصاصی داشته است و الگوریتم‌های سیستم دسته‌بند یادگیر بارها ارزش منحصر به فرد خود را در مجموعه‌ای از برنامه‌های متنوع و در حال رشد نشان داده‌اند. با وجود این تاریخچه الگوریتم‌های سیستم دسته‌بند یادگیر هنوز در بین روش‌های یادگیری ماشین ناشناخته هستند و از آن‌ها کم استفاده می‌شود. برای هر دو نوع مسئله‌ای که الگوریتم‌های سیستم دسته‌بند یادگیر معمولاً به آن‌ها اعمال می‌شود به عنوان مثال یادگیری تقویت کننده و یادگیری تحت نظارت صادق است.

مشکل‌های یادگیری تقویتی فقط بازخوردهای گاه و بی‌گاه را در قالب پاداش یا تنبیه در اختیار یادگیرنده قرار می‌دهد. این نوع یادگیری ارتباط نزدیکی با حوزه وسیع‌تری از هوش مصنوعی دارد و در کارهایی مانند مدل‌سازی رفتار، پیمایش پیچ و خم و بازی به کار رفته است. از طرف دیگر مشکل‌های یادگیری تحت نظارت تصمیم صحیحی را به عنوان ورودی به یادگیرنده ارائه می‌دهند. این نوع یادگیری معمولاً در کارهای علم داده مانند مدل‌سازی پیش‌بینی به عنوان مثال دسته‌بندی یا رگرسیون اعمال می‌شود.

زبان آموزان که تمایل به پیش‌بینی دقیق‌تر و قابل اطمینان‌تر دارند به ویژه هنگامی که دانش قبلی مشکل وجود ندارد. این کتاب انواع مشکل‌هایی را نشان می‌دهد که الگوریتم‌های سیستم دسته‌بند یادگیر مناسب هستند به عنوان مثال کسانی که دارای معرفت و ناهمگنی هستند.

درک نظری از رویکرد سیستم دسته‌بند یادگیر بهبود یافته است اما یک نظریه پذیرفته شده هنوز وجود ندارد. این به دلیل پیچیدگی تعاملی و ماهیت تصادفی زمینه‌ای سیستم دسته‌بند یادگیر است. این‌که حتی می‌توان ادله همگرایی را وارد کرد جای بحث دارد اگرچه چنین اثباتی در پذیرش بین رشته‌ای مفید خواهد بود.

این کتاب به عنوان یک نقطه جهش در نظر گرفته شده است و شامل یک تاریخچه دقیق از سیستم دسته‌بند یادگیر نیست و نه بسیاری از پیشرفت‌های پیشرفته موجود در زمینه امروز را بررسی می‌کند. بسیاری از محققان مقالات و ایده‌های بزرگ مورد استناد قرار نخواهند گرفت. درعوض نیاز فوق العاده ای به مقدمه‌ای ساده در مفهوم سیستم دسته‌بند یادگیر را برطرف می‌کند که درک آن در مقایسه با الگوریتم‌های یادگیری ماشینی کمی دشوار به نظر می‌رسد. به دلیل الگوی یادگیری غیرمعمولی است که توسط سیستم دسته‌بند یادگیر ارائه و همچنین اجزای متقابل متعددی که این الگوریتم‌ها را تشکیل می‌دهند. به راحتی اجزای سیستم دسته‌بند یادگیر را می‌توان مبادله، اضافه یا حذف کرد. برای تسهیل درک نحوه عملکرد سیستم دسته‌بند یادگیر و نحوه پیاده سازی آن‌ها ما این کتاب را با یک نسخه آموزشی از سیستم دسته‌بند یادگیر به نام سیستم دسته‌بند یادگیر آموزشی که به سادگی در پایتون کدگذاری شده است ارائه نمودیم. حمایت مؤسسات ملی بهداشت (R01 AI116794) و دانشگاه ویکتوریا ولینگتون (204021) به امکان پذیر ساختن این کتاب کمک کردند.

جهت دانلود کتاب اینجا کلیک نمایید.