Design and Analysis of Learning Classifier Systems: A Probabilistic Approach

طراحی و تحلیل سیستم های طبقه بندی کننده یادگیری: رویکرد احتمالی

شرح:

این کتاب مقدمه ای جامع برای طراحی و تجزیه و تحلیل سیستم های طبقه بندی کننده یادگیری (LCS) از دیدگاه یادگیری ماشین ارائه می دهد. LCS خانواده‌ای از روش‌ها برای مدیریت یادگیری بدون نظارت، یادگیری تحت نظارت و وظایف تصمیم‌گیری متوالی با تجزیه فضاهای مشکل بزرگ‌تر به زیرمسائل آسان‌تر است. برخلاف رویکرد معمول به طراحی و تجزیه و تحلیل آنها از منظر محاسبات تکاملی، این کتاب در عوض یک رویکرد مبتنی بر مدل احتمالی را بر اساس سوال تعیین کننده آنها "چه LCS قرار است یاد بگیرد؟" ترویج می کند. به طور سیستماتیک با پیروی از این رویکرد، نشان داده می‌شود که چگونه روش‌های یادگیری ماشین عمومی را می‌توان برای طراحی الگوریتم‌های LCS از اصول اولیه مدل احتمالی زیربنایی آن‌ها، که در این کتاب - برای اهداف توضیحی - مرتبط با طبقه‌بندی‌کننده برجسته کنونی XCS است، به کار برد. سیستم. این رویکرد جامع نگر است به این معنا که استعاره طراحی مبتنی بر هدف یکسان اساساً تمام جنبه‌های LCS را پوشش می‌دهد و آنها را بر پایه‌ای محکم قرار می‌دهد، علاوه بر این امکان انتقال پایه نظری روش‌های مختلف یادگیری ماشین کاربردی را به LCS می‌دهد. بنابراین، نه تنها تجزیه و تحلیل LCS موجود را پیش می برد، بلکه طراحی LCS جدید را نیز در همان چارچوب مطرح می کند.