Proceedings of ELM-2016

این کتاب حاوی برخی مقالات منتخب از کنفرانس بین‌المللی ماشین یادگیری شدید 2016 است که در سنگاپور، 13 تا 15 دسامبر 2016 برگزار شد. تبادل تجربه تحقیق و توسعه در مورد مطالعات نظری و کاربردهای عملی تکنیک ELM و یادگیری مغز. هدف ماشین‌های یادگیری افراطی (ELM) شکستن موانع بین تکنیک‌های یادگیری مصنوعی مرسوم و مکانیسم یادگیری بیولوژیکی است. ELM مجموعه‌ای از تکنیک‌های یادگیری (ماشین یا احتمالاً بیولوژیکی) را نشان می‌دهد که در آن نورون‌های پنهان نیازی به تنظیم ندارند. نظریه‌های یادگیری ELM نشان می‌دهند که الگوریتم‌های یادگیری بسیار مؤثر را می‌توان بر اساس نورون‌های پنهان به‌طور تصادفی (با تقریباً هر توابع فعال‌سازی تکه‌ای غیرخطی)، مستقل از داده‌های آموزشی و محیط‌های کاربردی استخراج کرد. به طور فزاینده ای، شواهد علوم اعصاب نشان می دهد که اصول مشابهی در سیستم های یادگیری بیولوژیکی اعمال می شود. نظریه‌ها و الگوریتم‌های ELM استدلال می‌کنند که «نرون‌های پنهان تصادفی» جنبه‌ای ضروری از مکانیسم‌های یادگیری بیولوژیکی و همچنین این حس شهودی را به تصویر می‌کشند که کارایی یادگیری بیولوژیکی نیازی به تکیه بر قدرت محاسباتی نورون‌ها ندارد. بنابراین، نظریه‌های ELM به دلایل احتمالی اینکه چرا مغز از رایانه‌های فعلی باهوش‌تر و مؤثرتر است، اشاره می‌کنند. ELM مزایای قابل توجهی نسبت به الگوریتم های یادگیری شبکه عصبی معمولی مانند سرعت یادگیری سریع، سهولت اجرا و حداقل نیاز به مداخله انسانی ارائه می دهد. ELM همچنین پتانسیل را به عنوان یک تکنیک جایگزین مناسب برای محاسبات در مقیاس بزرگ و هوش مصنوعی نشان می‌دهد.

این کتاب نظریه‌ها، الگوریتم‌ها و کاربردهای ELM را پوشش می‌دهد. این به خوانندگان نگاهی به آخرین پیشرفت های ELM می دهد.

This book contains some selected papers from the International Conference on Extreme Learning Machine 2016, which was held in Singapore, December 13-15, 2016. This conference will provide a forum for academics, researchers and engineers to share and exchange R&D experience on both theoretical studies and practical applications of the ELM technique and brain learning. Extreme Learning Machines (ELM) aims to break the barriers between the conventional artificial learning techniques and biological learning mechanism. ELM represents a suite of (machine or possibly biological) learning techniques in which hidden neurons need not be tuned. ELM learning theories show that very effective learning algorithms can be derived based on randomly generated hidden neurons (with almost any nonlinear piecewise activation functions), independent of training data and application environments. Increasingly, evidence from neuroscience suggests that similar principles apply in biological learning systems. ELM theories and algorithms argue that “random hidden neurons” capture an essential aspect of biological learning mechanisms as well as the intuitive sense that the efficiency of biological learning need not rely on computing power of neurons. ELM theories thus hint at possible reasons why the brain is more intelligent and effective than current computers. ELM offers significant advantages over conventional neural network learning algorithms such as fast learning speed, ease of implementation, and minimal need for human intervention. ELM also shows potential as a viable alternative technique for large‐scale computing and artificial intelligence.

This book covers theories, algorithms ad applications of ELM. It gives readers a glance of the most recent advances of ELM.