مروری بر روش های پیش بینی و تخمین ویژگی نمونه ها با استفاده از روش های تجزیه ای و الگوریتم های یادگیری ماشین

امروزه استفاده از یادگیری ماشین (Machine Learning) به علت مزایای بسیار از جمله سادگی، سرعت بالا، دقت زیاد در پیش بینی فرایند های گوناگون، عدم نیاز به تجهیزات و وسایل پیچیده و در دسترس بودن کاربردهای زیادی در علوم و زمینه های مختلف از جمله آمار، ریاضیات، فیزیک، شیمی، بیوشیمی، مهندسی مواد، مهندسی پزشکی، داروسازی و... پیدا کرده است. بنابراین در عصر حاضر مطالعه و بررسی روش ها و الگوریتم های گوناگون یادگیری ماشین از اهمیت بسیاری برخوردار است. به-عنوان زیرمجموعه ای از هوش مصنوعی، الگوریتم های یادگیری ماشین، مدل ریاضی بر اساس داده های نمونه یا داده های آموزشی به منظور پیش بینی یا تصمیم گیری بدون برنامه ریزی، ایجاد می کنند. یکی از جذاب ترین موضوعاتی که می توان با هوش مصنوعی روی آن متمرکز شد، پیش بینی و تخمین رخداد ها در آینده است. یادگیری ماشین، توانایی یادگیری مستقل را برای ماشین ها ایجاد می کند. به عبارتی ماشین می تواند از تجربیات، مشاهدات و الگوهایی که بر اساس مجموعه ای از داده ها تجزیه و تحلیل می کند، آموزش ببیند. امروزه یادگیری ماشین کاربرد زیادی در شیمی تجزیه پیدا کرده است و از داده های حاصل از روش های مختلف تجزیه ای مانند طیف سنجی، فلورسانس، ولتامتری، طیف سنجی نشری، میکرواستخراج فاز جامد، سوانگاری مایع، سوانگاری گازی، طیف سنجی فروسرخ و ... برای مدل سازی، پیش بینی و طبقه بندی داده ها استفاده می شود. یادگیری ماشین همچنین به طور گسترده در سنتز، بهینه سازی پارامترها و کنترل خواص پلیمرها استفاده می شود. مدل های ساخته شده از دقت بسیار زیادی برخوردار هستند.

کلیدواژه ها:

یادگیری ماشین ، روش های تجزیه ای ، ماشین بردار پشتیبان ، پلیمرها.