Reverse Hypothesis Machine Learning

این کتاب پارادایم ماشین‌های فرضیه معکوس (RHM) را معرفی می‌کند که بر نوآوری دانش و یادگیری ماشین تمرکز دارد. یادگیری مبتنی بر اکتساب دانش توسط حجم زیادی از داده ها محدود شده و زمان بر است. از این رو یادگیری مبتنی بر نوآوری دانش نیاز به زمان دارد. از آنجایی که کم یادگیری منجر به ناتوانی های شناختی می شود و یادگیری بیش از حد آزادی را به خطر می اندازد، نیاز به یادگیری ماشینی بهینه وجود دارد. تمام تکنیک های یادگیری موجود بر روی نگاشت ورودی و خروجی و ایجاد روابط ریاضی بین آنها متکی است. اگرچه روش‌ها پارادایم را تغییر می‌دهند، همان پارادایم ماشین فرضیه رو به جلو، که تلاش می‌کند عدم قطعیت را به حداقل برساند. از سوی دیگر، RHM از عدم قطعیت برای یادگیری خلاق استفاده می کند. این رویکرد از داده های محدودی برای کمک به شناسایی راه حل های جدید و شگفت انگیز استفاده می کند. برخلاف رویکردهای سنتی که بر دقت تمرکز دارند، بر بهبود یادگیری تمرکز دارد. این کتاب به عنوان یک کتاب مرجع برای محققان و متخصصان یادگیری ماشین و همچنین علاقه مندان به هوش ماشین مفید است. همچنین می‌تواند توسط پزشکان برای توسعه برنامه‌های یادگیری ماشینی جدید برای حل مشکلاتی که نیاز به خلاقیت دارند، استفاده کنند.

This book introduces a paradigm of reverse hypothesis machines (RHM), focusing on knowledge innovation and machine learning. Knowledge- acquisition -based learning is constrained by large volumes of data and is time consuming. Hence Knowledge innovation based learning is the need of time. Since under-learning results in cognitive inabilities and over-learning compromises freedom, there is need for optimal machine learning. All existing learning techniques rely on mapping input and output and establishing mathematical relationships between them. Though methods change the paradigm remains the same—the forward hypothesis machine paradigm, which tries to minimize uncertainty. The RHM, on the other hand, makes use of uncertainty for creative learning. The approach uses limited data to help identify new and surprising solutions. It focuses on improving learnability, unlike traditional approaches, which focus on accuracy. The book is useful as a reference book for machine learning researchers and professionals as well as machine intelligence enthusiasts. It can also used by practitioners to develop new machine learning applications to solve problems that require creativity.