مروري بر روش هاي پيش بيني و تخمين ويژگي نمونه ها با استفاده از روش هاي تجزيه اي و الگوريتم هاي يادگيري ماشين

امروزه استفاده از يادگيري ماشين (Machine Learning) به علت مزاياي بسيار از جمله سادگي، سرعت بالا، دقت زياد در پيش بيني فرايند هاي گوناگون، عدم نياز به تجهيزات و وسايل پيچيده و در دسترس بودن كاربردهاي زيادي در علوم و زمينه هاي مختلف از جمله آمار، رياضيات، فيزيك، شيمي، بيوشيمي، مهندسي مواد، مهندسي پزشكي، داروسازي و... پيدا كرده است. بنابراين در عصر حاضر مطالعه و بررسي روش ها و الگوريتم هاي گوناگون يادگيري ماشين از اهميت بسياري برخوردار است. به-عنوان زيرمجموعه اي از هوش مصنوعي، الگوريتم هاي يادگيري ماشين، مدل رياضي بر اساس داده هاي نمونه يا داده هاي آموزشي به منظور پيش بيني يا تصميم گيري بدون برنامه ريزي، ايجاد مي كنند. يكي از جذاب ترين موضوعاتي كه مي توان با هوش مصنوعي روي آن متمركز شد، پيش بيني و تخمين رخداد ها در آينده است. يادگيري ماشين، توانايي يادگيري مستقل را براي ماشين ها ايجاد مي كند. به عبارتي ماشين مي تواند از تجربيات، مشاهدات و الگوهايي كه بر اساس مجموعه اي از داده ها تجزيه و تحليل مي كند، آموزش ببيند. امروزه يادگيري ماشين كاربرد زيادي در شيمي تجزيه پيدا كرده است و از داده هاي حاصل از روش هاي مختلف تجزيه اي مانند طيف سنجي، فلورسانس، ولتامتري، طيف سنجي نشري، ميكرواستخراج فاز جامد، سوانگاري مايع، سوانگاري گازي، طيف سنجي فروسرخ و... براي مدل سازي، پيش بيني و طبقه بندي داده ها استفاده مي شود. يادگيري ماشين همچنين به طور گسترده در سنتز، بهينه سازي پارامترها و كنترل خواص پليمرها استفاده مي شود. مدل هاي ساخته شده از دقت بسيار زيادي برخوردار هستند.