ماشین یادگیری افراطی یا ماشین یادگیری حداکثر (به انگلیسی : Extreme learning machine شبکه عصبی پیشخور است که برای طبقه‌بندی آماری ، تحلیل رگرسیون ، خوشه‌بندی ، اسپارس تقریبی ، مقایسه و آموزش ویژگی های یک تک لایه یا چند لایه در گره مخفی می باشد به صورتی که نیازی به پارامترهای گره های پنهان نباشد.این گره های پنهان می توانند به صورت تصادفی تخصیص داده شوند و هرگز بروزرسانی وزن ها برایش صورت نگیرد. در اغلب موارد، وزن خروجی گره های پنهان معمولاً در یک مرحله گنجانده می شود که اساساً به یادگیری یک مدل به صورت خطی می پردازد. نام "ماشین یادگیری افراطی" توسط مخترع اصلی این مدل گوانگ بن هوانگ داده شد.
تابع سیگموئید :
G
(
a
,
b
,
x
)
=
1
1
+
exp
(
−
(
a
⋅
x
+
b
)
)
{\displaystyle G(\mathbf {a} ,b,\mathbf {x} )={\frac {1}{1+\exp(-(\mathbf {a} \cdot \mathbf {x} +b))}}}
تابع فوریه:
G
(
a
,
b
,
x
)
=
sin
(
a
⋅
x
+
b
)
{\displaystyle G(\mathbf {a} ,b,\mathbf {x} )=\sin(\mathbf {a} \cdot \mathbf {x} +b)}
تابع محدودیت:
G
(
a
,
b
,
x
)
=
{
1
,
if
a
⋅
x
−
b
≥
0
0
,
otherwise
{\displaystyle G(\mathbf {a} ,b,\mathbf {x} )={\begin{cases}1,&{\text{if }}{\bf {a}}\cdot {\bf {x}}-b\geq 0\\0,&{\text{otherwise}}\end{cases}}}
تابع گوسین:
G
(
a
,
b
,
x
)
=
exp
(
−
b
‖
x
−
a
‖
2
)
{\displaystyle G(\mathbf {a} ,b,\mathbf {x} )=\exp(-b\|\mathbf {x} -\mathbf {a} \|^{2})}
تابع چند قطعه ای:
G
(
a
,
b
,
x
)
=
(
‖
x
−
a
‖
2
+
b
2
)
1
/
2
{\displaystyle G(\mathbf {a} ,b,\mathbf {x} )=(\|\mathbf {x} -\mathbf {a} \|^{2}+b^{2})^{1/2}}
موجک :
G
(
a
,
b
,
x
)
=
‖
a
‖
−
1
/
2
Ψ
(
x
−
a
b
)
{\displaystyle G(\mathbf {a} ,b,\mathbf {x} )=\|a\|^{-1/2}\Psi \left({\frac {\mathbf {x} -\mathbf {a} }{b}}\right)}
Ψ
{\displaystyle \Psi }
توابع مثلثاتی :
tan
(
z
)
=
e
i
z
−
e
−
i
z
i
(
e
i
z
+
e
−
i
z
)
{\displaystyle \tan(z)={\frac {e^{iz}-e^{-iz}}{i(e^{iz}+e^{-iz})}}}
sin
(
z
)
=
e
i
z
−
e
−
i
z
2
i
{\displaystyle \sin(z)={\frac {e^{iz}-e^{-iz}}{2i}}}
توابع معکوس مثلثاتی :
arctan
(
z
)
=
∫
0
z
d
t
1
+
t
2
{\displaystyle \arctan(z)=\int _{0}^{z}{\frac {dt}{1+t^{2}}}}
arccos
(
z
)
=
∫
0
z
d
t
(
1
−
t
2
)
1
/
2
{\displaystyle \arccos(z)=\int _{0}^{z}{\frac {dt}{(1-t^{2})^{1/2}}}}
توابع هذلولوی :
tanh
(
z
)
=
e
z
−
e
−
z
e
z
+
e
−
z
{\displaystyle \tanh(z)={\frac {e^{z}-e^{-z}}{e^{z}+e^{-z}}}}
sinh
(
z
)
=
e
z
−
e
−
z
2
{\displaystyle \sinh(z)={\frac {e^{z}-e^{-z}}{2}}}
توابع معکوس هذلولوی:
arctanh
(
z
)
=
∫
0
z
d
t
1
−
t
2
{\displaystyle {\text{arctanh}}(z)=\int _{0}^{z}{\frac {dt}{1-t^{2}}}}
arcsinh
(
z
)
=
∫
0
z
d
t
(
1
+
t
2
)
1
/
2
{\displaystyle {\text{arcsinh}}(z)=\int _{0}^{z}{\frac {dt}{(1+t^{2})^{1/2}}}}
جستارهای وابسته
ویرایش
