قانون یادگیری
From Wikipedia, the free encyclopedia
قانون یادگیری یا فرایند یادگیری یک شبکه عصبی مصنوعی یک روش ، منطق ریاضی یا الگوریتم است که عملکرد شبکه و یا زمان آموزش را بهبود می بخشد. معمولاً این قانون به طور مکرر در شبکه اعمال می شود. وقتی شبکه در یک محیط داده خاص شبیه سازی می شود ، با به روزرسانی سطح اوزان و بایاس شبکه انجام می شود. یک قانون یادگیری ممکن است شرایط موجود شبکه را بپذیرد و نتیجه مورد انتظار و نتیجه واقعی شبکه را مقایسه کند تا مقادیر جدید و بهبود یافته برای اوزان و بایاس ارائه دهد.بسته به پیچیدگی مدل واقعی که شبیه سازی می شود ، قانون یادگیری شبکه می تواند به سادگی یک دروازه XOR یا خطای مربع میانگین باشد ، یا به اندازه یک نتیجه از سیستم معادلات دیفرانسیل پیچیده باشد. قانون یادگیری یکی از عواملی است که تعیین می کند شبکه مصنوعی با چه سرعتی یا با چه دقتی توسعه می یابد. بسته به روند توسعه شبکه ، سه مدل اصلی یادگیری ماشین وجود دارد: 1.یادگیری بدون نظارت 2.یادگیری تحت نظارت 3.یادگیری تقویت
![]() | برای تأییدپذیری کامل این مقاله به منابع بیشتری نیاز است. (ژانویه ۲۰۲۱) |