نظریه یادگیری محاسباتی ( به انگلیسی: Computational Learning Theory ) شاخه ای از ریاضیات و علوم رایانه است که به ارزیابی کارایی الگوریتم های یادگیری ماشینی می پردازد. این نظریه عموماً به تحلیل الگوریتم های یادگیری با نظارت می پردازد و سعی می کند کران هایی برای کارایی یک الگوریتم در داده دیده نشده با استفاده از اطلاعات کارایی آن الگوریتم در داده در دسترس و پیچیدگی الگوریتم بیابد. بعد وی سی و یادگیری صحیح احتمالی تخمینی مثال هایی از نظریه یادگیری محاسباتی هستند که به ترتیب به اختراع الگوریتم های ماشین بردار پشتیبانی و بوستینگ انجامیدند. این نظریه به تحلیل پیچیدگی زمانی الگوریتم های یادگیری نیز می پردازد. [ ۱]
همچنین این تئوری به دنبال جواب سوالاتی مانند "تحت چه شرایطی یادگیری موفق، ممکن یا ناممکن است؟" ویا "تحت چه شرایطی یک الگوریتم یادگیری خاص موفقیت یادگیری را تضمین می کند؟" می باشد. دو چهارچوب برای بررسی یادگیری الگوریتم های یادگیری در نظر گرفته می شود. چهارچوب اول، چهارچوب تقریباً درست یا PAC که در بالا اشاره شد، می باشد. در این چهارچوب کلاس فرضیه هایی را که می توان یا نمی توان با تعداد چندجمله ایی از نمونه های آموزشی یادگرفت را بررسی می کند و معیاری طبیعی برای پیچیدگی فضای فرضیه ای که تعداد نمونه های آموزشی برای یادگیری استقرایی را محدود می کند، تعریف می کنیم. در چهارچوب کران خطا تعداد خطاهای آموزشی ای را که یادگیر قبل از تعیین فرضیه درست انجام می دهد را بررسی می کنیم. در مطالعه یادگیری ماشین، این سؤال طبیعی است که بپرسیم:
• چه قوانین کلی ای بر یادگیری های ماشین ( یا حتی غیر ماشین ) حاکم است؟
• آیا می توان تعداد نمونه های لازم برای این که یادگیری حتماً موفق شود را تعیین کرد؟
• آیا می توان تعداد خطاهای یادگیر قبل از یادگیری تابع هدف را مشخص کرد؟
• آیا می توان پیچیدگی ذاتی کلاس های مسائل مختلف را مشخص کرد؟
اگر چه جواب جامع همه این سوالات هنوز معلوم نیست، اما این قسمت از هوش محاسباتی برای پاسخ به این سوالات به وجود آمده است. برای مثال مسئله یادگیری استقرایی تابع هدفی نامعلوم از نمونه های آموزشی این تابع هدف و فضای فرضیه معلوم را در نظر بگیرید. در این مثال پاسخ به سوالاتی مثل تعداد نمونه های لازم برای یادگیری موفق و تعداد اشتباهات قبل از یادگیری کامل مطرح می شود. برای تعیین مرزهای این کمیت ها به ویژگی های مسئله یادگیری از جمله موارد زیر بستگی دارد:
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفهمچنین این تئوری به دنبال جواب سوالاتی مانند "تحت چه شرایطی یادگیری موفق، ممکن یا ناممکن است؟" ویا "تحت چه شرایطی یک الگوریتم یادگیری خاص موفقیت یادگیری را تضمین می کند؟" می باشد. دو چهارچوب برای بررسی یادگیری الگوریتم های یادگیری در نظر گرفته می شود. چهارچوب اول، چهارچوب تقریباً درست یا PAC که در بالا اشاره شد، می باشد. در این چهارچوب کلاس فرضیه هایی را که می توان یا نمی توان با تعداد چندجمله ایی از نمونه های آموزشی یادگرفت را بررسی می کند و معیاری طبیعی برای پیچیدگی فضای فرضیه ای که تعداد نمونه های آموزشی برای یادگیری استقرایی را محدود می کند، تعریف می کنیم. در چهارچوب کران خطا تعداد خطاهای آموزشی ای را که یادگیر قبل از تعیین فرضیه درست انجام می دهد را بررسی می کنیم. در مطالعه یادگیری ماشین، این سؤال طبیعی است که بپرسیم:
• چه قوانین کلی ای بر یادگیری های ماشین ( یا حتی غیر ماشین ) حاکم است؟
• آیا می توان تعداد نمونه های لازم برای این که یادگیری حتماً موفق شود را تعیین کرد؟
• آیا می توان تعداد خطاهای یادگیر قبل از یادگیری تابع هدف را مشخص کرد؟
• آیا می توان پیچیدگی ذاتی کلاس های مسائل مختلف را مشخص کرد؟
اگر چه جواب جامع همه این سوالات هنوز معلوم نیست، اما این قسمت از هوش محاسباتی برای پاسخ به این سوالات به وجود آمده است. برای مثال مسئله یادگیری استقرایی تابع هدفی نامعلوم از نمونه های آموزشی این تابع هدف و فضای فرضیه معلوم را در نظر بگیرید. در این مثال پاسخ به سوالاتی مثل تعداد نمونه های لازم برای یادگیری موفق و تعداد اشتباهات قبل از یادگیری کامل مطرح می شود. برای تعیین مرزهای این کمیت ها به ویژگی های مسئله یادگیری از جمله موارد زیر بستگی دارد:
wiki: نظریه یادگیری محاسباتی