Learning Algorithms Theory and Applications

یادگیری یکی از مهمترین مراحل کل فرآیندهای روانی را تشکیل می دهد و از بسیاری جهات برای وقوع تغییرات لازم در رفتار موجودات سازگار ضروری است. در یک مفهوم گسترده، تأثیر رفتار قبلی و پیامد آن بر رفتار بعدی معمولاً به عنوان تعریفی از یادگیری پذیرفته می شود. تا همین اواخر یادگیری به عنوان امتیاز موجودات زنده تلقی می شد. اما در چند دهه گذشته تلاش هایی برای ساخت ماشین ها یا سیستم های یادگیری با موفقیت قابل توجهی صورت گرفته است. این کتاب به کلاس قدرتمندی از الگوریتم‌های یادگیری می‌پردازد که در طول دو دهه گذشته در زمینه سیستم‌های یادگیری مدل‌سازی شده توسط خودکار احتمالی حالت محدود توسعه یافته‌اند. این الگوریتم ها طرح های تکراری بسیار ساده ای هستند. از نظر ریاضی، این الگوریتم‌ها دو کلاس متمایز از فرآیندهای مارکوف را با واحد سیمپلکس (با ابعاد مناسب) به عنوان فضای حالت آن تعریف می‌کنند. مسئله اساسی یادگیری به عنوان یکی از یافتن شرایط در الگوریتم در نظر گرفته می شود به طوری که فرآیند مارکوف مرتبط رفتار مجانبی را از پیش تعیین کرده است. به عنوان یک پیش نیاز، اولین دوره در تجزیه و تحلیل و فرآیندهای تصادفی، آمادگی کافی برای پیگیری توسعه در فصول مختلف خواهد بود.

Learning constitutes one of the most important phase of the whole psychological processes and it is essential in many ways for the occurrence of necessary changes in the behavior of adjusting organisms. In a broad sense influence of prior behavior and its consequence upon subsequent behavior is usually accepted as a definition of learning. Till recently learning was regarded as the prerogative of living beings. But in the past few decades there have been attempts to construct learning machines or systems with considerable success. This book deals with a powerful class of learning algorithms that have been developed over the past two decades in the context of learning systems modelled by finite state probabilistic automaton. These algorithms are very simple iterative schemes. Mathematically these algorithms define two distinct classes of Markov processes with unit simplex (of suitable dimension) as its state space. The basic problem of learning is viewed as one of finding conditions on the algorithm such that the associated Markov process has prespecified asymptotic behavior. As a prerequisite a first course in analysis and stochastic processes would be an adequate preparation to pursue the development in various chapters.