طراحی سیستم دسته بند یادگیر مبتنی بر ممتیک برای استخراج دانش

در چند دهه اخیر از روشهای یادگیری گستردهای، در مسائل مختلف، در جهت بهبود قابلیتهای انسان و در نتیجه بهبود عملکرد کلی، استفاده شده است. با این حال تغییرات سریع در دانش مدرن که در اثر رشد نمایی منابع اطلاعاتی میباشد، فعالیت یادگیرنده ها را مشکل ساخته است. به همین دلیل روشهای جدیدی لازم است تا راه حل های یادگیری مناسب برای تولید تجارب موثر و انعطاف پذیر را به دست آورد. در این راستا طراحی سیستمهای دسته بند یادگیر، برای تحقق اهدافی چون یادگیری و استخراج دانش صورت گرفته است.سیستمهای دسته بند یادگیر سیستمهای مبتنی بر قوانین هستند که بر پایه دو رهیافت نوین در حوزه یادگیری ماشین بنا شده اند: یادگیری تقویتی و الگوریتم های تکاملی. سیستمهای دسته بند یادگیر را میتوان از یک دید کلی به دو خانواده بزرگ به نامهای پیتسبرگ و میشیگان تقسیم نمود. قویترین و محبوبترین سیستم خانواده میشیگان XCS نام دارد. این سیستم توانایی حل سه دسته کلی از مسائل را دارد: مسائل بهینه سازی، مسائل کلاسه بندی و مسائل یادگیری تقویتی.در هر دسته از مسائل فوق سیستم باید شناخت و درک درستی ازمحیط داشته باشد و در نتیجه بتواند راه حل مناسب را برای مساله ارائه دهد. به عبارت دیگر سیستم باید قابلیت استخراج دانش مورد نیاز (یا همان قوانین مناسب) برای حل مساله را داشته باشد. از این رو در طراحی این سیستم انتخاب الگوریتم تکاملی مناسب نقش بسزایی درعملکردسیستم خواهد داشت.این تحقیق به بررسی استفاده از سیستمهای دسته بند یادگیر XCS در زمینه تشخیص بیماری دیابت پرداخته است ولی قبل از آن سعی شده است الگوریتم XCS به وسیله یادگیری ممتیک بهبود داده شود.بدین منظور الگوریتم جدید مبتنی برممتیک بر روی محیط آزمایشی همانند میز و مالتی پلکسر به کار گرفته شد و اثبات شد که مبتنی بر ژنتیک است و XCS مبتنی بر ممتیک بالاتر از XCS کارایی سیستم قادر به تشخیص بیماری دیابت میباشد.