مسائل طبقه بندی الگو را می توان به سه دستۀ تفکیک پذیرخطی، تفکیک پذیر غیرخطی و تفکیک ناپذیر تقسیم بندی نمود. مسائل تفکیک پذیر خطی با یک پرسپترون تک لایه و مسائل طبقه بندی از نوع تفکیک پذیر غیرخطی با یک شبکه عصبی چندلایه (MLP) یا ماشین بردار پشتیبان (SVM) قابل حل کردن هستند. اما اگر بردارهای ویژگی اشیائی که قصد جداسازی آنها را از یکدیگر داریم اساساً تفکیک ناپذیر باشند، به کارگیری MLP یا SVM منجر به خطای بزرگی در دسته بندی الگوها خواهد شد. شبکه تابع پایه شعاعی (Radial Basis Function: RBF) نوعی ماشین یادگیرنده است که کاربرد ویژه آن در حل مسائل طبقه بندی الگو از نوع تفکیک ناپذیر می باشد. در واقع در مواجهه با چنین مسائلی شبکه RBF می تواند با نگاشت دادن بردارهای ویژگی به فضایی با ابعاد بالاتر آنها را تفکیک پذیر خطی نماید.

این دوره شامل پنج درس است. در درس اول با مبانی شبکه های RBF آشنا خواهیم شد. درس دوم به نحوۀ آموزش با ناظر شبکه زمانی که تعداد نرونهای لایۀ پنهان با تعداد داده های آموزشی برابر باشد می پردازد. این روش تنها زمانی سودمند است که تعداد داده های آموزشی کم باشند. در درسهای سوم و چهارم روش آموزش با ناظر ترکیبی (Hybrid) را خواهیم آموخت که برای تنظیم پارامترهای شبکه زمانی که تعداد داده های آموزشی زیاد باشند مناسب است. در این روش مراکز خوشه ها در لایۀ پنهان به صورت بدون ناظر با الگوریتم k-means و وزنهای لایۀ خروجی به صورت با ناظر با الگوریتم کمترین مربعات بازگشتی (Recursive Least Squares: RLS) آموزش خواهند دید. ایدۀ تفکیک پذیری بردارهای ویژگی در صورت افزایش بعد و نیز اولین شبکه ای که می توان آن را نسل اول شبکه های RBF امروزی به شمار آورد توسط فردی به نام توماس کاور (Thomas Cover) معرفی شد. با جزئیات مهم کارهای این فرد در درس پنجم آشنا خواهیم شد. پیشنیاز این دوره آشنایی مقدماتی با شبکه های عصبی چندلایه و مفهوم طبقه بندی الگو (Pattern Classification) است.

پیش نمایش درس اول:

پیش نمایش درس سوم: