بهینه سازی محلی و جهانی برای سیستم فازی تاکاگی ــ سوگنو توسط برنامه ریزی ژنتیکی ممتیک (تقلیدی)
Local and global optimization for Takagi–Sugeno fuzzy system by memetic genetic programming
بهینه سازی محلی و جهانی برای سیستم فازی تاکاگی ــ سوگنو توسط برنامه ریزی ژنتیکی ممتیک (تقلیدی)
این مقاله روشی را برای اعمال یادگیری استاندارد عصبی- فازی برای سیستم های فازی تاگاشی- سوگنو که تحت چارچوب یک برنامه نویسی ژنتیک (GP) دستور زبان محور تکامل یافته را ارائه می‌کند. این امر با معرفی هتروگلاسی در گره‌های GP اساسی امکان پذیر می‌شود و به آن ها توانایی تغییر رفتار بر‌اساس مرحله‌ی یادگیری مورد نظر را می‌دهد. گرامر فاقد متن از بیان اندازه‌ی قراردادی و سیستم‌های فازی مرکب پشتیبانی می‌کند و سیر تکامل را رهبری می‌کند. از حداقل مربعات بازگشتی و الگوریتم نزولی افت انتشار به عقب نیز در روش‌های تحقیق محلی استفاده شد. نسل دوم روش‌های ممتیک شامل برنامه نویسی ژنتیک با استفاده از روند تحقیقات محلی می‌باشد. این مقاله به موارد زیر پرداخته است: (الف)معرفی روش مورد نظر که به کارگیری یادگیری تحقیقات محلی‌در سیستم‌های هوشمند ایجاد‌شده توسط برنامه‌نویسی ژنتیکی را شامل می‌شود. (ب)معرفی مدل برای یادگیری ممتیک سیستم‌های فازی تاکاشی – سوگنو؛ (ج)نتایج تجربی‌ای که متغیرهای مدل را مورد ارزیابی قرار می‌دهند و به مقایسه‌ی مدل با مدل‌های هنری مبنا و مشکلات دنیای واقعی می‌پردازد (د) به کارگیری مدل پیشنهادی تحت کنترل.
ادامه مطلب ...جزوه ای از یادگیری درخت‌های تصمیم
یادگیری درخت تصمیم یکی از رایج ترین تکنیک های یادگیری ماشین می باشد که به دلیل سادگی و کارامدی باعث شده است علی رغم مشکلاتی که در استفاده از آن همچون صفات دارای نویز و یا صفات فاقد مقدار یا ... وجود دارد به شکل گسترده ای در مسائل مربوط به یادگیری ماشین استفاده شود.
ادامه مطلب ...
الگوریتم درخت تصمیم C4.5 با نرم افزار متلب
در این پست به توضیح الگوریتم درخت تصمیم C4.5 با نرم افزار متلب می‌پردازیم.درخت تصمیم زیر مجموعه ای از تصمیم گیری های سلسله مراتبی است. الگوریتم های درخت تصمیم، از رهیافت های تصمیم گیری چند مرحله ای هستند. ایده اصلی در تصمیم گیری چند مرحله ای، این می باشد که تصمیم های سنگین و پیچیده به تصمیم های کوچک تر تبدیل شده و نهایتا بتوان با ترکیب این تصمیم های ساده، به تصمیم نهایی و مورد نظر، دست یافت.
