GML (Graph Machine Learning)
یادگیری ماشین گراف
GML (Graph Machine Learning)
یادگیری ماشین گرافیادگیری ماشین مبتنی بر قانون
یادگیری ماشین مبتنی بر قانون[1] (RBML) اصطلاحی در علوم کامپیوتر است که شامل هر روش یادگیری ماشینی می‌شود که «قوانین» را برای ذخیره[2]، دستکاری[3] یا اعمال شناسایی[4]، یادگیری یا تکامل می‌دهد.[1][2][3] ویژگی تعیین‌کننده یک یادگیرنده ماشین مبتنی بر قانون، شناسایی و استفاده از مجموعه‌ای از قوانین رابطه‌ای است که در مجموع نشان‌دهنده دانش کسب‌شده توسط سیستم هستند.
رویکردهای یادگیری ماشین مبتنی بر قانون شامل سیستم‌های دسته‌بند یادگیری[5] [۴]، یادگیری قانون انجمنی[6] [۵]، سیستم‌های ایمنی مصنوعی[7] [۶]، و هر روش دیگری است که به مجموعه‌ای از قوانین متکی است که هر کدام دانش زمینه‌ای را پوشش می‌دهند.
در حالی که یادگیری ماشین مبتنی بر قانون از نظر مفهومی نوعی سیستم مبتنی بر قانون است، با سیستم‌های مبتنی بر قانون سنتی که اغلب به صورت دستی ساخته می‌شوند و سایر تصمیم‌گیرندگان مبتنی بر قانون متمایز است. دلیل این امر آن است که یادگیری ماشین مبتنی بر قانون، نوعی الگوریتم یادگیری مانند نظریه مجموعه‌های راف[8] [7] را برای شناسایی و به حداقل رساندن مجموعه ویژگی‌ها و شناسایی خودکار قوانین مفید اعمال می‌کند، نه اینکه انسان نیاز به اعمال دانش قبلی دامنه برای ساخت دستی قوانین و انتخاب مجموعه قوانین داشته باشد.
قوانین
قوانین معمولاً به شکل یک عبارت {IF:THEN} هستند (مثلاً {IF 'condition' THEN 'result'}، یا به عنوان مثال خاص‌تر، {IF 'red' AND 'octagon' THEN 'stop-sign}). یک قانون به خودی خود یک مدل نیست، زیرا این قانون فقط زمانی قابل اجرا است که شرط آن برآورده شود. بنابراین، روش‌های یادگیری ماشین مبتنی بر قانون معمولاً شامل مجموعه‌ای از قوانین یا پایگاه دانش هستند که در مجموع مدل پیش‌بینی را تشکیل می‌دهند که معمولاً به عنوان الگوریتم تصمیم‌گیری شناخته می‌شود. قوانین همچنین می‌توانند بسته به دانش دامنه، انواع داده‌ها (گسسته یا پیوسته) و در ترکیب‌ها به روش‌های مختلفی تفسیر شوند.
RIPPER
هرس افزایشی مکرر برای کاهش خطا[9] (RIPPER) یک یادگیرنده قانون گزاره‌ای است که توسط ویلیام دبلیو. کوهن به عنوان نسخه‌ای بهینه‌شده از IREP پیشنهاد شده است.[8]
[1] Bassel, George W.; Glaab, Enrico; Marquez, Julietta; Holdsworth, Michael J.; Bacardit, Jaume (2011-09-01). "Functional Network Construction in Arabidopsis Using Rule-Based Machine Learning on Large-Scale Data Sets". The Plant Cell. 23 (9): 3101–3116. Bibcode:2011PlanC..23.3101B. doi:10.1105/tpc.111.088153. ISSN 1532-298X. PMC 3203449. PMID 21896882.
[2] M., Weiss, S.; N., Indurkhya (1995-01-01). "Rule-based Machine Learning Methods for Functional Prediction". Journal of Artificial Intelligence Research. 3 (1995): 383–403. arXiv:cs/9512107. Bibcode:1995cs.......12107W. doi:10.1613/jair.199. S2CID 1588466.
[3] "GECCO 2016 | Tutorials". GECCO 2016. Retrieved 2016-10-14.
[4] Urbanowicz, Ryan J.; Moore, Jason H. (2009-09-22). "Learning Classifier Systems: A Complete Introduction, Review, and Roadmap". Journal of Artificial Evolution and Applications. 2009: 1–25. doi:10.1155/2009/736398. ISSN 1687-6229.
[5] Zhang, C. and Zhang, S., 2002. Association rule mining: models and algorithms. Springer-Verlag.
[6] De Castro, Leandro Nunes, and Jonathan Timmis. Artificial immune systems: a new computational intelligence approach. Springer Science & Business Media, 2002.
[7] ISBN 978-0-7923-1472-1.
[8] Agah, Arvin (2013). Medical Applications of Artificial Intelligence. CRC Press. ISBN 9781439884331. Retrieved 13 August 2017.
