سیستم های طبقه بندی یادگیری، یا LCS، الگویی از روش های یادگیری ماشین مبتنی بر قانون هستند که یک مولفه اکتشاف ( برای مثال یک الگوریتم ژنتیک ) را با یک مولفه یادگیری ( انجام یادگیری نظارت شده، یادگیری تقویتی یا یادگیری نظارت نشده ) ترکیب می کنند. [ ۲] سیستم های طبقه بندی یادگیری به دنبال شناسایی مجموعه ای از قوانین وابسته به متن هستند که در مجموع، اطلاعات را به صورت تکه ای ذخیره می کنند و به کار می برند تا محاسبات را انجام دهند ( مانند مدل سازی رفتار، [ ۳] طبقه بندی، [ ۴] [ ۵] داده کاوی، [ ۵] رگرسیون، تقریب تابع، [ ۶] یا استراتژی بازی ) . این روش اجازه می دهد تا فضاهای راه حل پیچیده به بخش های کوچکتر و ساده تر تقسیم شوند.
مفاهیم بنیادیِ پشت سیستم های طبقه بندی یادگیری، ناشی از تلاش هایی برای مدل سازی سیستم های تطبیقی پیچیده، با استفاده از عناصر مبتنی بر قانون برای تشکیل یک سیستم شناختی مصنوعی ( یعنی هوش مصنوعی ) است.
معماری و اجزای یک سیستم طبقه بندی یادگیری معین، می تواند کاملاً تغییرپذیر باشد. کاربردی است که LCS را به عنوان یک ماشین، شامل چندین اجزای در حال تعامل در نظر بگیریم. ممکن است اجزاء اضافه یا حذف بشوند، یا اجزای موجود اصلاح یا تعویض شوند تا نیازهای دامنه یک مسئله مشخص را پوشش بدهند ( مثل بلوک های ساختمان الگوریتمی ) یا برای اینکه الگوریتم را به اندازه کافی انعطاف پذیر کنند تا در بسیاری از دامنه های مختلف مسئله کار کند. در نتیجه، الگوی LCS می تواند به شکل انعطاف پذیری در بسیاری از دامنه های مسئله، که خواستار یادگیری ماشین هستند، به کار برده شود. تقسیمات عمده بین پیاده سازی های LCS به شرح زیر است: ( ۱ ) معماری به سبک میشیگان در مقابل معماری به سبک پیتسبورگ، [ ۷] ( 2 ) یادگیری تقویتی در مقابل یادگیری تحت نظارت، ( ۳ ) یادگیری افزایشی در مقابل یادگیری دسته ای، ( ۴ ) یادگیری آنلاین در مقابل یادگیری آفلاین، ( ۵ ) آماده سازی مبتنی بر قدرت در مقابل
آماده سازی مبتنی بر دقت و ( ۶ ) نقشه عملیات کامل در مقابل بهترین نقشه عملیات. این تقسیم بندی ها لزوماً متقابل نیستند. به عنوان مثال، XCS, [ ۸] شناخته شده ترین و بهترین الگوریتم LCS مورد مطالعه، که به سبک میشیگان است. برای یادگیری تقویتی طراحی شده بود، اما می تواند یادگیری تحت نظارت را نیز انجام دهد، یادگیری افزایشی را که می تواند آنلاین یا آفلاین باشد اعمال کند، آماده سازی مبتنی بر دقت را اعمال کند و به دنبال ایجاد یک نقشه عملیات کامل باشد.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفمفاهیم بنیادیِ پشت سیستم های طبقه بندی یادگیری، ناشی از تلاش هایی برای مدل سازی سیستم های تطبیقی پیچیده، با استفاده از عناصر مبتنی بر قانون برای تشکیل یک سیستم شناختی مصنوعی ( یعنی هوش مصنوعی ) است.
معماری و اجزای یک سیستم طبقه بندی یادگیری معین، می تواند کاملاً تغییرپذیر باشد. کاربردی است که LCS را به عنوان یک ماشین، شامل چندین اجزای در حال تعامل در نظر بگیریم. ممکن است اجزاء اضافه یا حذف بشوند، یا اجزای موجود اصلاح یا تعویض شوند تا نیازهای دامنه یک مسئله مشخص را پوشش بدهند ( مثل بلوک های ساختمان الگوریتمی ) یا برای اینکه الگوریتم را به اندازه کافی انعطاف پذیر کنند تا در بسیاری از دامنه های مختلف مسئله کار کند. در نتیجه، الگوی LCS می تواند به شکل انعطاف پذیری در بسیاری از دامنه های مسئله، که خواستار یادگیری ماشین هستند، به کار برده شود. تقسیمات عمده بین پیاده سازی های LCS به شرح زیر است: ( ۱ ) معماری به سبک میشیگان در مقابل معماری به سبک پیتسبورگ، [ ۷] ( 2 ) یادگیری تقویتی در مقابل یادگیری تحت نظارت، ( ۳ ) یادگیری افزایشی در مقابل یادگیری دسته ای، ( ۴ ) یادگیری آنلاین در مقابل یادگیری آفلاین، ( ۵ ) آماده سازی مبتنی بر قدرت در مقابل
آماده سازی مبتنی بر دقت و ( ۶ ) نقشه عملیات کامل در مقابل بهترین نقشه عملیات. این تقسیم بندی ها لزوماً متقابل نیستند. به عنوان مثال، XCS, [ ۸] شناخته شده ترین و بهترین الگوریتم LCS مورد مطالعه، که به سبک میشیگان است. برای یادگیری تقویتی طراحی شده بود، اما می تواند یادگیری تحت نظارت را نیز انجام دهد، یادگیری افزایشی را که می تواند آنلاین یا آفلاین باشد اعمال کند، آماده سازی مبتنی بر دقت را اعمال کند و به دنبال ایجاد یک نقشه عملیات کامل باشد.
wiki: سیستم طبقه بندی یادگیری