نتایج جستجو

{{یادگیری ماشین}} ...ت=۲۱۱–۲۴۴|نام=آماندا|نام خانوادگی=بارتل|ترجمه عنوان=یادگیری پراکنده بیزی و ماشین بردار مرتبط|عنوان=Sparse Bayesian Learning and the Relevance Vector Machine ...

...رض می‌کند که ما هیچ دانش قبلی‌ای در مورد دقت الگوریتم‌های موجود در مجموعهٔ الگوریتم‌های پیش‌بینی‌کننده نداریم، اما دلایل کافی برای این باور وجود دارد که یک یا چند ...ه می‌دهد که رای بالاتری کسب کرده‌باشد. اگر الگوریتم ترکیبی اشتباه کند، وزن الگوریتم‌های موجود در مجموعه که در این پیش‌بینی اشتباه دخیل بوده‌اند نیز، با نسبت معینی ...

...بدست می‌آید. این نوع کلاهبرداری توسط هوش مصنوعی و [[یادگیری ماشینی|یادگیری ماشین]] قابل تشخیص و جلوگیری است. ...ه، تراکنش‌های غیر طبیعی را تعیین می‌کند. الگوریتم‌های هوش مصنوعی و یادگیری ماشین دارای خطا در پیشبینی هستند به همین علت از الگوریتم‌هایی مانند GASS و MBO بر ...

...[روش نیوتن]] الهام گرفته شده‌است. بعضی اوقات، این الگوریتم در گروه روش‌های یادگیری مرتبkszه دوم طبقه‌بندی می‌شود. این روش تقریب درجه دوم از [[گرادیان]] تکرار ...پیاده‌سازی از الگوریتم [[بازگشت به عقب|پس انتشار]] خطا است اما در طول فاز یادگیری شبکه ممکن است که، با توجه به گام‌های بزرگی که برمی‌دارد، با هرج و مرج رفتار ...

'''یادگیری هب''' (به انگلیسی: Hebbian Learning) یکی از اصول اساسی یادگیری در علوم اعصاب و شبکه‌های عصبی مصنوعی است. این قانون در سال ۱۹۴۹ توسط [[دونا == اصول یادگیری هب == ...

...ی یادگیری مختلف هسته ای استفاده می‌شود. به‌طور خاص، معمولاً در [[دسته‌بندی ماشین بردار پشتیبانی]] استفاده می‌شود. هسته RBF در دو نمونه x و x '، به عنوان برد از آنجایی که پشتیبانی از ماشین‌های بردار و سایر مدل‌های استفاده شده از [[ترفند هسته]] برای تعداد زیادی از ...

{{یادگیری ماشین}} ...گیری منطقی''' {{انگلیسی|Logic Learning Machine}}، یکی از روش‌های [[یادگیری ماشین]] بر اساس ایجاد قوانین قابل فهم است. LLM یک روش پیاده‌سازی شده کارآمد از ال ...

{{یادگیری ماشین}} ...از داده‌های بدون برچسب و داده‌های برچسب‌دار به صورت هم‌زمان برای بهبود دقت یادگیری استفاده می‌شود. ...

اصطلاح WHP به خصوص در [[علوم رایانه|علوم کامپیوتر]] و در تحلیل [[الگوریتم‌های تصادفی]] استفاده می‌شود. برای مثال یک الگوریتم تصادفی خاص در گرافی با n گره ...تم تصادفی برای تأیید [[ضرب ماتریسی|ضرب ماتریس]] هاست که از [[الگوریتم قطعی|الگوریتم‌های قطعی]] سریعتر اجرا می‌شود و '''با احتمال بالا''' پاسخ درست را برمی‌گرداند. ...

{{یادگیری ماشین}}<templatestyles src="Nobold/styles.css" /> ...یادگیری ماشین به چه سرعتی «یادمی‌گیرد». در ادبیات [[کنترل تطبیقی]]، به نرخ یادگیری '''بهره''' گفته می‌شود.<ref>{{cite journal|last=Delyon|first=Bernard|date=2 ...

بسیاری از الگوریتم‌های کاهش غیرخطی ابعاد با روش‌های خطی زیر ارتباط دارند: ...ری ماشینی]]، روش‌های نگاشت به عنوان مرحلهٔ [[استخراج ویژگی]]، پیش از اعمال الگوریتم‌های شناسایی الگو استفاده می‌شوند. آن‌هایی که یک نمایش از داده‌ها ارائه می‌کنند، ...

{{یادگیری ماشین|Reinforcement learning}} '''خودبازی''' روشی است برای بهبود عملکرد عامل‌های [[یادگیری تقویتی]]. به‌طور شهودی، عوامل یادمی‌گیرند که با بازی کردن «در مقابل خودشان» ...

...[[ترکیب خطی]] یا غیرخطی آن‌ها را به عنوان تابع کرنل جدید استفاده می‌کنند و یادگیری را با استفاده از آن انجام می‌دهند. مزیت‌های استفاده از این تابع کرنل جدید ر ...بهینه کردن پارامترهای تابع کرنل چندتایی که خود این موضوع باعث کاهش سوگیری یادگیری به دلیل انتخاب تابع هسته بد می‌شود و در عین حال امکان خودکار سازی انتخاب تا ...

...دگیری ساختار یافته (خروجی)''' یک اصطلاح کلی برای تکنیک‌های یادگیری ماشین [[یادگیری نظارت‌شده|تحت نظارت]] است که شامل [[پیش‌بینی]] اشیا ساخت‌یافته است، به جای ...زش دهنده اغلب از نظر محاسباتی غیرممکن است و از استنباط تقریبی و از روش‌های یادگیری استفاده می‌شود. ...

...و [[بوستینگ]] انجامیدند. این نظریه به تحلیل [[پیچیدگی زمانی]] الگوریتم‌های یادگیری نیز می‌پردازد.<ref>{{ cite journal | title=Computational learning theory: S ...د و معیاری طبیعی برای پیچیدگی فضای فرضیه‌ای که تعداد نمونه‌های آموزشی برای یادگیری استقرایی را محدود می‌کند، تعریف می‌کنیم. ...

...نی بر رگرسیون این امکان وجود دارد که مقادیر وزن‌ها و [[ابرپارامتر (یادگیری ماشین)|ایرپارامترهای]] مدل از کنترل خارج شوند به شکلی که یا خیلی بزرگ یا خیلی کوچ * [[ماشین بردار پشتیبانی]]<ref>{{Cite journal|last=Wang|first=Li|last2=Zhu|first2=Ji| ...

...جربی (ERM) یک اصل در تئوری یادگیری آماری است که خانواده ای از الگوریتم های یادگیری را تعریف می کند و برای ارائه محدودیت های نظری بر عملکرد آنها استفاده می شود وضعیت زیر را در نظر بگیرید، که مجموعه ای کلی از بسیاری از مشکلات یادگیری تحت نظارت است.ما دو فضای از اشیاء X و Y داریم و می خواهیم یک تابع را یاد ب ...

...دارهایی به نام [[منحنی فراگیری]] انجام می‌پذیرد که خطای تعمیم را در فرایند یادگیری تخمین می‌زنند. هدف در یک مسئلهٔ یادگیری، یافتن تابع <math>f_n(\vec{x})</math> است که با توجه به دادهٔ ورودی <math>\ ...

{{یادگیری ماشین}} ...گروهی هستند، از مجموعه‌ای از مدل‌های یادگیرنده ضعیف(weak learners) به جهت یادگیری مسئله استفاده می‌شود و نتیجه نهایی بر اساس تجمیع نتیجه همه این مدل‌های یادگ ...

{{یادگیری ماشین|Artificial neural network}} ...ودی به صورت داده اولیه یا مجموعه‌ای از ویژگی‌ها داده می‌شود، سپس در یک مدل یادگیری ویژگی، نمایش مناسبی از ویژگی ها ارائه می شود. در آخر می توان از نمایش ویژگی ...