تحلیل تطبیقی الگوریتم های یادگیری ماشین با اهداف بهینه سازی

مبحث بهینه سازی و یادگیری ماشین به صورت گسترده ای به هم مرتبط هستند و بهینه سازی در مسایل مختلف منجر به استفاده از روش های یادگیری ماشین می گردد. الگوریتم های یادگیری ماشین برای کلاس های ویژه ای از مسایل در یک زمان محاسباتی منطقی کار می کنند و نقش مهمی در استخراج دانش از حجم انبوهی از داده ها دارند. در این مقاله یک روش برای بهینه سازی دقت تشخیص نقص قطعه های بتنی بر اساس ازریابی کیفی آن ها به کار گرفته شده است. بر این اساس، چند الگوریتم یادگیری ماشین از جمله درخت تصمیم گیری C4.5 ، روش یادگیری قاعده ریپر و شبکه بیزین، برای بررسی نقص در بتن مورد مطالعه قرار گرفته اند تا یک سیستم تصمیم گیری برای سرعت بخشیدن به فرآیند تشخیص نقص مهیا گردد. نتایج آزمایش ها نشان می دهد که میزان تشخیص نقص 93 درصد با استفاده از الگوریتم یادگیری قاعده ارائه شده به همراه روش استخراج ویژگی تبدیل فوریه در مقایسه با سایر الگوریتم های یادگیری ماشین حاصل شده است.