جذب مدرس جهت ضبط ویدئو آموزشی جهت اطلاعات بیشتر کلیک کنید
0

مبانی نظریات فازی در یادگیری ماشین

آشنایی با نظریات فازی در یادگیری ماشین

نظریات فازی در علوم مختلف مانند آمار و احتمال، پزشکی، امور نظامی و هوافضا و … استفاده شده که در بخش اول به آن‌ها اشاره شد. در این بخش کاربرد نظریات فازی در یادگیری ماشین و هوش مصنوعی مورد بررسی قرار می‌گیرد. در ادامه همراه ما باشید.

تأثیر نظریات فازی در کلاسیک مجموعه‌ها

نظریه کلاسیک مجموعه‌ها بر پایه قانون عضویت بوده و بر مبنای آن هر شی به یک مجموعه خاص تعلق دارد. در حالی که در نظریه فازی تعلق هر شی به مجموعه با اعدادی بین ۰ و ۱ مشخص می‌شود.

مثال برای درک بهتر مفهوم نظریه فازی

برای درک بهتر مفهوم نظریات فازی در کلاسیک مجموعه فرض کنید شی p با درجه عضویت ۰٫۶ به مجموعه A تعلق دارد، در این صورت همین شی می‌تواند با درجه عضویت ۰٫۴ به مجموعه B هم تعلق داشته باشد.

از مثال بالا اینطور استنباط می‌شود که کران‌های یک مجموعه فازی را نمی‌توان به وضوح تعیین کرده و در مورد اعضای آن قضاوت کرد.

نظریات فازی

کاربرد نظریه فازی در منطق بولی

منطق بولی (دیجیتالی) اغلب در مباحث باینری به کار می‌رود در حالی که سیستم فازی اغلب در سیستم‌های کنترل بسیار مؤثر ظاهر شده و کاربردهای فراوانی دارد. در ادامه به مقایسه نظریات فازی و بولی می‌پردازیم.

برای درک بهتر تفاوت منطق فازی و بولی فرض کنید یک سیستم فازی برای تعیین میزان امانت داری افراد یک شرکت طراحی شده است. در مقابل یک سیستم بولی هم از طرف این شرکت طراحی شده که بر مبنای آن امانت داری افراد اندازه گیری می‌شود.

با یک مقایسه کوتاه متوجه خواهید شد، میزان امانت داری کارمندان شرکت در نظریه فازی قابل تعیین نبوده در حالی که در منطق دیجیتال این کار با قطعیت بیشتری انجام می‌شود.

استفاده از نظریات فازی چه مزایایی دارد؟

اولین مزیت استفاده از این روش ساده و قابل فهم بودن آن است. این روش امروزه در امور تجاری و آزمایشگاهی کاربرد فراوانی داشته، از طرفی کنترل ماشین‌ها و صرفه جویی در هزینه‌های جانبی به وسیله منطق فازی کاملاً امکان پذیر خواهد بود.

طراحی نظریات فازی به گونه‌ای است که با از کار افتادن حسگرهای خط تولید، فرایند کاملاً متوقف نشده همچنین کارایی سیستم‌ها با استفاده از این روش به طرز قابل توجهی افزایش می‌یابد.

منطق فازی به دلیل نادقیق بودن خیلی مورد قبول عامه مردم قرار نمی‌گیرد اما به دلایل مختلف این روش در زمینه کنترل و برنامه ریزی بسیار مؤثر عمل می‌کند.

 

خطرات استفاده از نظریات فازی در یک نگاه

منطق فازی بر اساس قواعد از پیش تعیین شده انجام شده که اگر این قواعد دچار نقص یا اشکال شوند، انتخاب قوانین پایه بسیار مشکل خواهد شد. پیاده سازی منطق فازی در سخت افزارهای مختلف احتیاج به آزمایش‌های متعدد و زمان بر دارد همچنین کارایی این روش نسبت به شبکه‌های عصبی در یادگیری ماشین کمتر است.

به طور کلی مزایا و معایب استفاده از نظریات منطق فازی در روش‌های یادگیری ماشین عبارتند از:

  • پیاده سازی آسان الگوریتم‌های یادگیری ماشین؛
  • امکان شبیه سازی طرز تفکر انسانی؛
  • ایجاد ۲ راه حل برای یک مسئله؛
  • برای حل مسائل با پاسخ‌های تقریبی کاملاً مناسب است.

چه زمانی نباید از منطق فازی استفاده کرد؟

استفاده از نظریات فازی برای ارائه یک راه حل جامع اصلاً مناسب نبوده، بنابراین بهتر است از این روش برای استفاده از حواس پنجگانه و داده‌های منطق فازی مناسب نیست.

پیشنهاد مطالعه: آشنایی با مبانی شبکه‌های عصبی مصنوعی

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *