ماشین یادگیری منطقی

ماشین یادگیری منطقی ( به انگلیسی: Logic Learning Machine ) ، یکی از روش های یادگیری ماشین بر اساس ایجاد قوانین قابل فهم است. LLM یک روش پیاده سازی شده کارآمد از الگوی شبکه عصبی سوئیچینگ ( SNN ) است، [ ۱] این شیوه توسط مارکو موسلی، پژوهشگر ارشد در مرکز تحقیقات ملی ایتالیا ( CNR - IEIIT ) در جنوا توسعه یافته است.
LLM در بخش های مختلف بسیاری، از جمله زمینه پزشکی ( طبقه بندی بیماران ارتوپدی، [ ۲] تجزیه و تحلیل ریز آرایه DNA[ ۳] و همچنین سیستم های پشتیبانی تصمیم گیری بالینی[ ۴] ) ، خدمات مالی و مدیریت زنجیره غذایی استفاده شده است.
شیوه شبکه عصبی سوئیچینگ در دهه ۱۹۹۰ برای غلبه بر مشکلاتی که رایج ترین روش های یادگیری ماشین داشتند، به وجود آمد. مخصوصاً، روش های جعبه سیاه، مانند پرسپترون چندلایه و ماشین بردار پشتیبان که دقت خوبی داشتند اما نمی توانستند درک عمیقی از پدیده مورد مطالعه در اختیار قرار دهند. ازطرف دیگر، روش درختان تصمیم گیری به خوبی قابلیت توصیف پدیده را داشتند اما اغلب دارای خطا بودند. شبکه های عصبی سوئیچینگ با به کارگیری جبر بولین توانست مجموعه ای از قوانین قابل فهم بساز تا عملکرد بهتری داشته باشد. در سال ۲۰۱۴، یک نسخه کارآمد از شبکه عصبی سوئیچینگ در مجموعه Rulex با نام Logic Learning Machine توسعه و پیاده سازی شد. [ ۵] همچنین، یک نسخهِ LLM آن به مشکلات رگرسیون اختصاص داده شده.
مانند دیگر روش های یادگیری ماشین، LLM از داده ها برای ساختن مدلی که توانایی پیش بینی درست رفتارهای آینده را دارد استفاده می کند. LLM در ابتدا با به کار گرفتن یک جدول شامل یک متغیر هدف ( خروجی ) و تعدادی ورودی شروع می کند و مجموعه ای از قوانین را برای برگرداندن مقدار خروجی y متناسب با ورودی داده شده ایجاد می کند. این قانون به صورت زیر نوشته شده است:
بدین صورت که نتیجه شامل مقدار خروجی است اما مقدمه شامل یک یا چند شرط از ورودی ها است. با توجه به نوع داده ورودی، شروط متفاوتی می توانند ایجاد شود:
• برای متغیرهای طبقه بندی شده، مقدار ورودی باید در یک زیرمجموعه معین باشد  : x 1 ∈ { A , B , C , . . . } {\displaystyle x_{1}\in \{A, B, C, . . . \}} .
• برای متغیرهای مرتب شده، شرط به صورت یک نابرابری یا یک بازه نوشته می شود: x 2 ≤ α {\displaystyle x_{2}\leq \alpha } یا β ≤ x 3 ≤ γ {\displaystyle \beta \leq x_{3}\leq \gamma }