Learning in Non-Stationary Environments: Methods and Applications

دهه‌های اخیر شاهد پیشرفت‌های سریعی در فرآیندهای خودکارسازی بوده‌اند که توسط ماشین‌ها و رایانه‌های مدرن پشتیبانی می‌شوند. نتیجه افزایش قابل توجهی در پیچیدگی سیستم و تغییرات حالت، منابع اطلاعاتی، نیاز به پردازش سریعتر داده ها و ادغام تأثیرات محیطی است. سیستم‌های هوشمند، مجهز به طبقه‌بندی از الگوریتم‌های شناسایی سیستم مبتنی بر داده و یادگیری ماشین، می‌توانند تا حدودی این مشکلات را مدیریت کنند. الگوریتم‌های یادگیری مرسوم در یک تنظیمات آفلاین دسته‌ای هر زمان که تغییرات دینامیکی فرآیند به دلیل محیط‌های غیر ثابت و تأثیرات خارجی ظاهر شود، شکست می‌خورند.

یادگیری در محیط‌های غیر ساکن: روش‌ها و کاربردها بررسی گسترده و جامعی از پیشرفت‌های اخیر و روش‌شناسی‌های مهم در این زمینه ارائه می‌دهد. این پوشش بر یادگیری پویا در مسائل بدون نظارت، یادگیری پویا در طبقه بندی نظارت شده و یادگیری پویا در مسائل رگرسیون نظارت شده تمرکز دارد. بخش بعدی به برنامه هایی اختصاص داده شده است که در آنها روش های یادگیری پویا به عنوان سنگ های اصلی برای دستیابی به مدل ها با دقت بالا عمل می کنند.

ویراستاران به‌جای تکیه بر یک سبک قضیه/برهان ریاضی، شکل‌ها، جداول، مثال‌ها و کاربردهای متعددی را همراه با توضیحاتشان برجسته می‌کنند.

< /p>

این رویکرد مبنایی مفید برای تحقیقات بیشتر و ایده‌های تازه ارائه می‌دهد و به تازه‌واردان انگیزه و الهام می‌بخشد تا این زمینه تحقیقاتی امیدوارکننده و هنوز در حال ظهور را کشف کنند.

</ p>

Recent decades have seen rapid advances in automatization processes, supported by modern machines and computers. The result is significant increases in system complexity and state changes, information sources, the need for faster data handling and the integration of environmental influences. Intelligent systems, equipped with a taxonomy of data-driven system identification and machine learning algorithms, can handle these problems partially. Conventional learning algorithms in a batch off-line setting fail whenever dynamic changes of the process appear due to non-stationary environments and external influences.

Learning in Non-Stationary Environments: Methods and Applications offers a wide-ranging, comprehensive review of recent developments and important methodologies in the field. The coverage focuses on dynamic learning in unsupervised problems, dynamic learning in supervised classification and dynamic learning in supervised regression problems. A later section is dedicated to applications in which dynamic learning methods serve as keystones for achieving models with high accuracy.

Rather than rely on a mathematical theorem/proof style, the editors highlight numerous figures, tables, examples and applications, together with their explanations.

This approach offers a useful basis for further investigation and fresh ideas and motivates and inspires newcomers to explore this promising and still emerging field of research.