یکی از پیش فرض های مهم در اغلب الگوریتم های یادگیری ماشین و داده کاوی این است که مجموعه داده های آموزش و آزمون، بایستی در فضای ویژگی های کسانی قرار گرفته باشند و علاوه بر آن، از توزیع احتمالی مشابهی ب...
یکی از پیش فرض های مهم در اغلب الگوریتم های یادگیری ماشین و داده کاوی این است که مجموعه داده های آموزش و آزمون، بایستی در فضای ویژگی های کسانی قرار گرفته باشند و علاوه بر آن، از توزیع احتمالی مشابهی برخوردار باشند. با تغییر توزیع داده ها، اغلب الگوریتم های آماری بایستی مدل های قبلی را براساس مشخصات داده های جدید، باز تولید کنند، ضمن این که اصولا در بسیاری از کاربردهای دنیای واقعی، جمع آوری داده های آموزش جدید و تولید مدل بر پایه آن ها یا بسیار دشوار و هزینه بر است یا به کلی غیر ممکن است، در چنین شرایطی روش های یادگیری انتقال (Transfer Learning) یا انتقال دانش (Knowledge Transfer) می توانند برای تبادل مدل های قبلی به دامنه های کاری جدید، مورد استفاده قرار گیرند.
در این فرادرس، ضمن بیان کلیات ساختار روش های انتقال یادگیری، یک طبقه بندی مرجع در بررسی تکنیک های مختلف یادگیری انتقال نیز معرفی می شود. در ادامه بحث، مرور کاملی از کاربردهای یادگیری انتقال برای مسائل پایه ای نظیر رده بندی (Classification)، رگرسیون و خوشه بندی (Clustering) انجام می شود، همچنین به منظور ایجاد امکان استفاده از این تکنیک ها، معرفی کلی در خصوص برخی از ابزارهای متن باز موجود در زمینه یادگیری انتقال و مجموعه های داده محک استاندارد نیز صورت خواهد گرفت. بخش انتهایی این آموزش به بررسی برخی نمونه های استفاده از روش های یادگیری انتقال در حل مسائل کاربردی، اختصاص یافته است.
هنوز نظری ثبت نشده است.