دانلود کتاب Multi-objective machine learning

ترجمه فارسی توضیحات (ترجمه ماشینی)

یادگیری ماشین چندهدفه

اخیراً، علاقه فزاینده ای به استفاده از مفهوم بهینه پارتو در یادگیری ماشین نشان داده شده است، به ویژه با الهام از پیشرفت های موفقیت آمیز در بهینه سازی چندهدفه تکاملی. نشان داده شده است که رویکرد چند هدفه به یادگیری ماشین به ویژه برای بهبود عملکرد روش‌های یادگیری ماشینی تک هدفه سنتی، تولید مدل‌های بهینه پارتو چندگانه بسیار متنوع برای ساخت مدل‌های مجموعه‌ها و دستیابی به تجارت دلخواه موفق است. – بین دقت و تفسیرپذیری شبکه های عصبی یا سیستم های فازی. این مونوگراف مجموعه منتخبی از کارهای تحقیقاتی در مورد رویکرد چند هدفه به یادگیری ماشین را ارائه می‌کند، از جمله انتخاب ویژگی چند هدفه، انتخاب مدل چند هدفه در آموزش پرسپترون‌های چند لایه، شبکه‌های تابعی مبتنی بر شعاعی، ماشین‌های بردار پشتیبان، درخت‌های تصمیم. و سیستم های هوشمند

Multi-objective machine learning

Recently, increasing interest has been shown in applying the concept of Pareto-optimality to machine learning, particularly inspired by the successful developments in evolutionary multi-objective optimization. It has been shown that the multi-objective approach to machine learning is particularly successful to improve the performance of the traditional single objective machine learning methods, to generate highly diverse multiple Pareto-optimal models for constructing ensembles models and, and to achieve a desired trade-off between accuracy and interpretability of neural networks or fuzzy systems. This monograph presents a selected collection of research work on multi-objective approach to machine learning, including multi-objective feature selection, multi-objective model selection in training multi-layer perceptrons, radial-basis-function networks, support vector machines, decision trees, and intelligent systems.