قياس رويكردي الگورتيمهاي يادگيري ماشين براي شبكه عصبي مصنوعي، شبكه عصبي MLP، شبكه عصبيRBF

مسئله يادگيري ماشين اين است كه كامپيوتر بتواند به تدريج و با افزايش دادهها، كارايي بهتري در انجام وظيفهي مورد نظر پيدا نموده و پژوهشگران بر آناند كه روشهاي يادگيري نويني به وجود بياورند و امكانپذيري و كيفيت يادگيري را براي تكنيكهاي پيشنهادي مطالعه كنند و در سوي ديگر عدهاي از پژوهشگران سعي ميكنند روشهاي يادگيري ماشيني را بر مسائل تازهاي اعمال كنند پس هدف يادگيري ماشين عبارت است از: چگونه ميتوان برنامهاي نوشت كه از طريق تجربه، يادگيري كند و عملكرد خود را بهتر نمايد و يكي از بارزترين الگوريتمهاي يادگيري ماشين همان شبكههاي عصبي مصنوعي هستند كه با توجه به حجم بالاي اطلاعات در بانكهاي داده و يافتن اطلاعات مفيد و مناسب در آنها ضرورت پيدا كرده. از سويي ديگر يادگيري شبكه عصبي مصنوعي، يكي از پركاربردترين و كارآمدترين متدهاي يادگيري استقرايي براي پردازشها ميباشند . هدف اين مقاله، ارائه كارا بودن روش يادگيري شبكه عصبي RBF به عنوان روشي مناسب و قوي براي دادههايي با حجم بالا، نسبت به شبكه عصبي و شبكه عصبي چند لايه ميباشد. در روش تحقيق، ارزيابي از عملكردهاي الگوريتم- هاي يادگيري ماشين يعني انواع شبكه عصبي انجام گرديده و سرانجام در بخش يافتهها و نتايج تجربي الگوريتم يادگيري شبكه عصبي RBF نسبت به رقيبهاي خود يعني شبكه عصبي چند لايه و شبكه عصبي مصنوعي توانست به نتايج بهتري دست يابد