نمایش مبدأ برای ماشین یادگیری افراطی

{{یادگیری ماشین}}
''' ماشین یادگیری افراطی''' یا '''ماشین یادگیری حداکثر''' {{به انگلیسی|Extreme learning machine}} یک [[شبکه عصبی پیشخور]] است که برای [[طبقه‌بندی آماری]] ، [[تحلیل رگرسیون]] ، [[خوشه‌بندی]]، اسپارس تقریبی ، مقایسه و آموزش ویژگی های یک تک لایه یا چند لایه در گره مخفی می باشد به صورتی که نیازی به پارامترهای گره های پنهان نباشد.این گره های پنهان می توانند به صورت تصادفی تخصیص داده شوند و هرگز بروزرسانی وزن ها برایش صورت نگیرد. در اغلب موارد، وزن خروجی گره های پنهان معمولاً در یک مرحله گنجانده می شود که اساساً به یادگیری یک مدل به صورت خطی می پردازد. نام "ماشین یادگیری افراطی" توسط مخترع اصلی این مدل گوانگ بن هوانگ داده شد.

== دامنه حقیقی ==
[[تابع سیگموئید]]: <math>G(\mathbf{a}, b, \mathbf{x})=\frac{1}{1+\exp(-(\mathbf{a}\cdot\mathbf{x}+b))}</math>

تابع فوریه: <math>G(\mathbf{a}, b, \mathbf{x})=\sin(\mathbf{a}\cdot\mathbf{x}+b)</math>

تابع محدودیت: <math>G(\mathbf{a}, b, \mathbf{x})=
\begin{cases}
1, &\text{if }{\bf a}\cdot{\bf x}-b\geq 0\\
0, &\text{otherwise}
\end{cases}
</math>

تابع گوسین: <math>G(\mathbf{a}, b, \mathbf{x})=\exp(-b\|\mathbf{x}-\mathbf{a}\|^2)</math>

تابع چند قطعه ای: <math>G(\mathbf{a}, b, \mathbf{x})=(\|\mathbf{x}-\mathbf{a}\|^2+b^2)^{1/2}</math>

[[موجک]]: <math>G(\mathbf{a}, b, \mathbf{x})=\|a\|^{-1/2}\Psi\left(\frac{\mathbf{x}-\mathbf{a}}{b}\right)</math> به صورتی که <math>\Psi</math>موجک اصلی می باشد.

== دامنه مختلط ==

[[توابع مثلثاتی]]:

<math>\tan(z)= \frac{e^{iz}-e^{-iz}}{i(e^{iz}+e^{-iz})}</math>

<math>\sin(z)= \frac{e^{iz}-e^{-iz}}{2i}</math>

[[توابع معکوس مثلثاتی]]:

<math>\arctan(z)= \int_0^z\frac{dt}{1+t^2}</math>

<math>\arccos(z)= \int_0^z\frac{dt}{(1-t^2)^{1/2}}</math>

[[تابع هذلولوی|توابع هذلولوی]]:

<math>\tanh(z)= \frac{e^z-e^{-z}}{e^z+e^{-z}}</math>

<math>\sinh(z)= \frac{e^z-e^{-z}}{2}</math>

توابع معکوس هذلولوی:

<math>\text{arctanh}(z)=\int_0^z\frac{dt}{1-t^2}</math>

<math>\text{arcsinh}(z)=\int_0^z\frac{dt}{(1+t^2)^{1/2}}</math>

== منبع باز ==
* [http://www.ntu.edu.sg/home/egbhuang/reference.html کتابخانه متلب]
* کتابخانه پایتون<ref>{{Cite journal|last=Akusok|first=Anton; Bjork, Kaj-Mikael; Miche, Yoan; Lendasse, Amaury|date=2015|title=High-Performance Extreme Learning Machines: A Complete Toolbox for Big Data Applications|url=http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7140733|journal=IEEE Open Access|volume=3|pages=1011–1025|via=|doi=10.1109/access.2015.2450498}}</ref>

== جستارهای وابسته ==
* [[رایانش مخزنی]]
* [[ماتریس تصادفی]]

== منابع ==
{{پانویس}}
{{یادکرد-ویکی
|پیوند = https://en.wikipedia.org/wiki/Extreme_learning_machine
|عنوان = Extreme_learning_machine
|زبان = انگلیسی
|بازیابی =۱۵ آوریل ۲۰۱۹
}}

[[رده:روش‌های خوشه‌بندی]]
[[رده:شبکه‌های عصبی مصنوعی]]