عنوان	بهبود کارایی الگوریتم‌های یادگیری ماشین با استفاده از روش‌های رگرسیون تاوانیده
نوع پژوهش	پایان نامه
کلیدواژه‌ها	یادگیری ماشین، یادگیری عمیق، روش‌های تاوانیده، یادگیری جمعی، خوشه‌بندی
چکیده	امروزه در مباحث مربوط به پیش‌بینی علاوه بر افزایش دقت الگوریتم‌های موجود، کاهش بار محاسباتی نیز موضوع چالش برانگیزی است که توجهات بسیاری را به خود معطوف کرده است. از آنجایی که الگوریتم‌های پایه‌ی موجود، در این مورد کارایی و دقت کافی ندارند، برای حل این مسأله از ترکیب الگوریتم‌های یادگیری ماشین و روش‌های آماری استفاده کرده‌ایم. در این رساله به منظور بهبود کارایی الگوریتم‌های یادگیری ماشین سه رویکرد ترکیبی پیشنهاد شده است. در رویکرد اول، از ترکیب جنگل تصادفی و روش‌های رگرسیون تاوانیده برای کاهش تعداد درختان جنگل تصادفی استفاده می‌شود. این کار با کاهش خودکار درختان به کمک روش‌های تاوانیده و تجمیع درختان باقی‌مانده، به کاهش بار محاسباتی کمک می‌کند. رویکرد دوم، بر بهبود دقت مدل با خوشه‌بندی داده‌های ورودی، شناسایی زیرمجموعه‌های همگن از داده‌ها، تخصیص آن‌ها به گروه‌های مشابه و کاهش تعداد درختان جنگل تصادفی در داخل خوشه‌ها تمرکز دارد. به این صورت که در داخل هر خوشه، از جنگل تصادفی به عنوان پیش‌بینی‌کننده استفاده می‌شود. در نهایت، با کاهش تعداد درختان در درون هر خوشه با استفاده از روش‌های تاوانیده و در مجموع کل خوشه‌ها، خطای مدل و بار محاسباتی کاهش یافته و عملکرد مدل بهبود پیدا می‌کند. در ادامه، رویکرد سومی پیشنهاد می‌شود که از الگوریتم‌ها و ساختارهای به‌روز برای پیش‌بینی عمیق‌تر و دقیق‌تر استفاده می‌کند. در این رویکرد از ترکیب الگوریتم یادگیری عمیق، روش‌های تاوانیده و روش‌های یادگیری جمعی استفاده می‌شود. رگرسیون‌های عمیق وظیفه‌ی استخراج روابط بین ویژگی‌ها و پیش‌بینی را به عنوان یادگیرنده بر عهده دارند. روش‌های رگرسیون تاوانیده عمل کاهش تعداد پیش‌بینی‌کننده‌ها و روش‌های جمعی عمل تجمیع یادگیرنده‌های باقی‌مانده را انجام می‌دهند. در نهایت، رویکردهای پیشنهادی با دیگر مدل‌های مبنا براساس مطالعات شبیه‌سازی و سه مجموعه داده‌ی واقعی مورد ارزیابی قرار می‌گیرند. نتایج حاصل نشان می‌دهند که رویکردهای پیشنهادی، عملکرد بهتر و کارایی بیشتری نسبت به روش‌های موجود دارند.
پژوهشگران	حسین بیورانی (Hossein Bevrani) (استاد راهنما)، محمد رضا فیضی درخشی (استاد راهنما)، زری فرهادی (دانشجو)، وونجون کیم (استاد مشاور)، محمد فاضل ایجاز (استاد مشاور)