مروری بر روش ها و کاربردهای ماشین یادگیری سریع

ماشین یادگیری سریع یک مدل از شبکه عصبی پیشرو با تعداد یک لایه مخفی است که وزن ورودی و بایاس در این شبکه به صورت تصادفی انتخاب شده و وزن خروجی به صورت تحلیلی تخمین زده میشود. دلیل انتخاب این مدل در طرح پیشنهادی، پیچیدگی طبقه بندی داده های حجیم است که در شبکه عصبی معمولی مشاهده شده است. در مدل ماشین یادگیری سریع نیازی به تنظیم نرونهای لایه مخفی نبوده و این تنظیمات به صورت تصادفی تعیین میشوند. به بیان دیگر تمامی این پارامترهای به جای آن که تنظیم شوند به صورت تحلیلی بدست می آیند که این مسئله موجب افزایش قدرت تعمیم پذیری این شبکه و کاهش خطر بیش برازش میشود. یکی از چالشهای این مدل تنظیم پارامترهایی همچون وزن لایه ورودی و بایاس است که در مدل ماشین یادگیری سریع به صورت تصادفی تعیین می شود. از آنجایی که مقادیر این دو پارامتر در عملکرد ماشین یادگیری سریع تاثیر گذارند تعیین مقادیر تصادفی برای این دو پارامتر موجب افزایش خطای طبقه بندی و تخمین این مدل خواهد شد و کارایی آن را کاهش خواهد داد.

کلیدواژه ها:

ماشین یادگیری سریع ، هوش مصنوعی ، شبکه های عصبی ، بهینه سازی پارامترهای کنترلی