Learning Classifier Systems: From Foundations to Applications

سیستم‌های طبقه‌بندی کننده یادگیری (LCS) یک پارادایم یادگیری ماشینی هستند که توسط جان هالند در سال 1976 معرفی شد. آنها سیستم‌های مبتنی بر قانون هستند که در آنها یادگیری به عنوان فرآیند سازگاری مداوم با یک محیط ناشناخته از طریق الگوریتم‌های ژنتیک و یادگیری تفاوت زمانی در نظر گرفته می‌شود. . این کتاب یک بررسی منحصر به فرد از وضعیت فعلی هنر LCS ارائه می دهد و برخی از امیدوارکننده ترین جهت های تحقیقاتی را برجسته می کند. بخش اول دیدگاه های مختلف افراد برجسته را در مورد اینکه سیستم های طبقه بندی کننده یادگیری چیست ارائه می کند. بخش دوم به موضوعات پیشرفته مورد علاقه فعلی، از جمله نمایش های جایگزین، روش های ارزیابی سودمندی قوانین، و توسعه مدل های سیستم طبقه بندی کننده موجود اختصاص دارد. بخش پایانی به کاربردهای امیدوارکننده در زمینه هایی مانند داده کاوی، تجزیه و تحلیل داده های پزشکی، عوامل تجاری اقتصادی، مانور هواپیما و روباتیک مستقل اختصاص دارد. یک ضمیمه شامل 467 مدخل، کتابشناسی جامع LCS را ارائه می دهد.

Learning Classifier Systems (LCS) are a machine learning paradigm introduced by John Holland in 1976. They are rule-based systems in which learning is viewed as a process of ongoing adaptation to a partially unknown environment through genetic algorithms and temporal difference learning. This book provides a unique survey of the current state of the art of LCS and highlights some of the most promising research directions. The first part presents various views of leading people on what learning classifier systems are. The second part is devoted to advanced topics of current interest, including alternative representations, methods for evaluating rule utility, and extensions to existing classifier system models. The final part is dedicated to promising applications in areas like data mining, medical data analysis, economic trading agents, aircraft maneuvering, and autonomous robotics. An appendix comprising 467 entries provides a comprehensive LCS bibliography.