12 مقاله
پیشبینی تطابقی (Conformal Prediction) یک چارچوب یادگیری ماشینی است که با استفاده از مفهوم تطابقپذیری دادهها، بازههای پیشبینی (فاصلههای اطمینان) برای مدلهای آماری، ماشینی یا عمیق تولید میکند. این روش با محاسبه نمرات عدم تطابق روی دادههای برچسبدار قبلی، مجموعههای پیشبینی را برای دادههای آزمایشی جدید ایجاد میکند. این تکنیک ابتدا در سال ۱۹۹۸ توسط گامرمن، ووک و وپنیک معرفی شد و از آن زمان تاکنون نسخههای مختلفی با پیچیدگیهای محاسباتی و کاربردهای عملی متفاوت توسعه یافتهاند.
شبکههای تابع پایه شعاعی (RBF) نوعی شبکه عصبی مصنوعی هستند که از توابع پایه شعاعی به عنوان توابع فعالسازی استفاده میکنند. این شبکهها در زمینههای مختلفی مانند تخمین تابع، پیشبینی سریهای زمانی، طبقهبندی و کنترل سیستمها کاربرد دارند. معماری این شبکهها معمولاً شامل سه لایه است: لایه ورودی، لایه پنهان با تابع فعالسازی غیرخطی RBF و لایه خروجی خطی.
در یادگیری ماشین، دادهها به سه مجموعه اصلی تقسیم میشوند: آموزشی، اعتبارسنجی و آزمایش. مجموعه آموزشی برای آموزش مدل استفاده میشود، اعتبارسنجی برای تنظیم پارامترها و بهینهسازی مدل، و مجموعه آزمایش برای ارزیابی نهایی مدل به کار میرود. این تقسیمبندی برای جلوگیری از بیشبرازش و ارزیابی دقیق مدل ضروری است.
رایانههای عصبی تفاضلپذیر (DNC) یک معماری شبکه عصبی با حافظه تقویتشده هستند که توسط DeepMind در سال ۲۰۱۶ معرفی شد. این مدل با الهام از معماری فون نویمان، توانایی یادگیری وظایف الگوریتمی پیچیده را دارد و در مقایسه با شبکههای عصبی سنتی، عملکرد بهتری در پردازش توالیها و گرافها نشان میدهد.
الگوریتم بازپخش تکراری آلمیدا-پینیدا، روشی پیشرفته در یادگیری نظارتشده است که برای شبکههای عصبی تکراری طراحی شده است. این الگوریتم، که ریشههایی در پایاننامه ریچارد فاینمن دارد، بهطور مستقل توسط فرناندو پینیدا و لوییس ب. آلمیدا در زمینه شبکههای عصبی مصنوعی دوباره کشف شد.
ماریوس لینداور، دانشمند علوم کامپیوتر آلمانی و استاد دانشگاه لایبنیتس هانوفر، از چهرههای برجسته یادگیری ماشین خودکار است. او در بهینهسازی، AutoML و چالشهای بینالمللی SAT دستاوردهای مهمی دارد.
کمترین مربعات خطی (LLS) روشی برای تقریب توابع خطی به دادههاست. این روش شامل فرمولبندیهایی برای حل مسائل رگرسیون خطی (عادی، وزنی و تعمیمیافته) است و با استفاده از روشهای عددی مانند تجزیه متعامد و معکوس ماتریس، بهترین برازش را به دادهها ارائه میدهد.
پیامرسانی در رایانش به سازوکاری برای ارتباط میان فرایندها گفته میشود؛ اما این اصطلاح در حوزههایی مانند مدلهای گرافیکی و خوشههای رایانهای معانی تخصصیتری هم دارد.
رگرسیون هسته یک روش غیرپارامتریک در آمار برای تخمین امید شرطی متغیرهای تصادفی است. این تکنیک بدون فرض مدل مشخص، روابط غیرخطی میان متغیرها را آشکار میکند و با استفاده از توابع وزندهی محلی، انعطافپذیری بالایی در تحلیل دادهها ارائه میدهد.
قضیه بیز، که به افتخار توماس بیز نامگذاری شده، روشی علمی برای بهروزرسانی باورها بر اساس شواهد جدید است. این قضیه کاربردهای گستردهای در حوزههای مختلف از جمله حقوق و بازاریابی دارد.
هوش مصنوعی توزیعشده (DAI) رویکردی نوین برای حل مسائل پیچیده یادگیری، برنامهریزی و تصمیمگیری است. این حوزه بر استفاده از محاسبات مقیاسپذیر و توزیعشده تمرکز دارد و با سیستمهای چندعاملی و حل مسئله توزیعشده ارتباط تنگاتنگی دارد.
فهرست تصمیم (Decision List) روشی کارآمد برای نمایش توابع بولی است که یادگیری آنها را از روی مثالها آسان میکند. این ساختار، قابلیتهای بیشتری نسبت به ترکیبهای عطفی و فصلی ساده دارد و در یادگیری کارآمد ویژگیها نقش کلیدی ایفا میکند.
