Adaptive Learning of Polynomial Networks: Genetic Programming, Backpropagation and Bayesian Methods

این کتاب دانش نظری و عملی را برای توسعه الگوریتم‌هایی که مدل‌های خطی و غیرخطی را استنتاج می‌کنند، ارائه می‌کند. این یک روش برای یادگیری استقرایی مدل های شبکه عصبی چند جمله ای از داده ها ارائه می دهد. طراحی چنین ابزارهایی به مدل سازی داده های آماری بهتر در هنگام پرداختن به وظایف از حوزه های مختلف مانند شناسایی سیستم، پیش بینی سری های زمانی آشفته، پیش بینی مالی و داده کاوی کمک می کند. ادعای اصلی این است که فرآیند شناسایی مدل شامل چندین مرحله به همان اندازه مهم است: یافتن ساختار مدل، تخمین پارامترهای وزن مدل، و تنظیم این وزن ها با توجه به مفروضات اتخاذ شده در مورد توزیع داده های اساسی. هنگامی که فرآیند یادگیری بر اساس این مراحل سازماندهی می شود و با هم یکی پس از دیگری یا جداگانه انجام می شود، ممکن است انتظار داشته باشیم که مدل هایی را کشف کنیم که به خوبی تعمیم می یابند (یعنی به خوبی پیش بینی می کنند). این کتاب تغییر تمرکز را از مدل‌های استاندارد f-ear به سمت مدل‌های بسیار غیرخطی که می‌توان با رویکردهای یادگیری موقت پیدا کرد، پیشنهاد می‌کند. متخصصان یادگیری آماری در مورد الگوریتم‌های جستجوی احتمالی جایگزین که معماری مدل را کشف می‌کنند و تکنیک‌های آموزش شبکه عصبی که وزن‌های چند جمله‌ای دقیق را شناسایی می‌کنند، مطالعه خواهند کرد. آن‌ها از اینکه مدل‌های کشف‌شده را می‌توان به راحتی تفسیر کرد، خوشحال می‌شوند و این مدل‌ها تشخیص آماری را با ابزارهای آماری استاندارد فرض می‌کنند. با پوشش سه زمینه: محاسبات تکاملی، کارهای شبکه عصبی و استنتاج بیزی، این کتاب را به مخاطبان زیادی از محققان و پزشکان سوق می دهد.

This book provides theoretical and practical knowledge for develop­ ment of algorithms that infer linear and nonlinear models. It offers a methodology for inductive learning of polynomial neural network mod­ els from data. The design of such tools contributes to better statistical data modelling when addressing tasks from various areas like system identification, chaotic time-series prediction, financial forecasting and data mining. The main claim is that the model identification process involves several equally important steps: finding the model structure, estimating the model weight parameters, and tuning these weights with respect to the adopted assumptions about the underlying data distrib­ ution. When the learning process is organized according to these steps, performed together one after the other or separately, one may expect to discover models that generalize well (that is, predict well). The book off'ers statisticians a shift in focus from the standard f- ear models toward highly nonlinear models that can be found by con­ temporary learning approaches. Speciafists in statistical learning will read about alternative probabilistic search algorithms that discover the model architecture, and neural network training techniques that identify accurate polynomial weights. They wfil be pleased to find out that the discovered models can be easily interpreted, and these models assume statistical diagnosis by standard statistical means. Covering the three fields of: evolutionary computation, neural net­ works and Bayesian inference, orients the book to a large audience of researchers and practitioners.