Rule-based machine learning
یادگیری ماشینی مبتنی بر قانون
یادگیری ماشینی مبتنی بر قانون (RBML) اصطلاحی در علوم کامپیوتر است که در برگیرنده هر روش یادگیری ماشینی است که "قوانین" را برای ذخیره، دستکاری یا اعمال شناسایی، یاد می‌گیرد یا تکامل می‌دهد [1][2][3]. مشخصه تعیین کننده یک یادگیرنده ماشینی مبتنی بر قانون، شناسایی و استفاده از مجموعه ای از قوانین رابطه ای است که به طور جمعی دانش گرفته شده توسط سیستم را نشان می دهد. این برخلاف دیگر یادگیرندگان ماشینی است که معمولاً یک مدل منحصر به فرد را شناسایی می کنند که می تواند به طور جهانی برای هر نمونه ای به منظور پیش بینی اعمال شود.
رویکردهای یادگیری ماشین مبتنی بر قانون شامل سیستم‌های طبقه‌بندی‌کننده یادگیری، [4] یادگیری قوانین ارتباطی، [5] سیستم‌های ایمنی مصنوعی، [6] و هر روش دیگری که بر مجموعه‌ای از قوانین تکیه دارد که هر کدام دانش زمینه‌ای را پوشش می‌دهند.
در حالی که یادگیری ماشینی مبتنی بر قانون از نظر مفهومی نوعی سیستم مبتنی بر قانون است، اما از سیستم‌های سنتی مبتنی بر قانون که اغلب دست ساز هستند و سایر تصمیم‌گیرندگان مبتنی بر قانون متمایز است. این به این دلیل است که یادگیری ماشینی مبتنی بر قانون، نوعی الگوریتم یادگیری را برای شناسایی خودکار قوانین مفید به کار می‌گیرد، نه اینکه انسان نیاز به اعمال دانش قبلی برای ساخت دستی قوانین و تنظیم یک مجموعه قوانین داشته باشد.
قوانین
قوانین معمولاً به شکل یک عبارت «{IF:THEN}»، (مثلاً {IF «شرایط» سپس «نتیجه»}، یا به عنوان مثال خاص‌تر، {IF «قرمز» و «هشت ضلعی» THEN «علامت توقف» هستند. }). یک قاعده فردی به خودی خود یک مدل نیست، زیرا این قاعده تنها زمانی قابل اجرا است که شرط آن برآورده شود. بنابراین روش‌های یادگیری ماشین مبتنی بر قانون معمولاً شامل مجموعه‌ای از قوانین یا پایگاه دانش هستند که مجموعاً مدل پیش‌بینی را تشکیل می‌دهند.
سیستم طبقه بندی کننده یادگیری
یادگیری قوانین انجمنی
طبقه بندی کننده انجمنی
سیستم ایمنی مصنوعی
سیستم خبره
قاعده تصمیم گیری
القاء قاعده
برنامه نویسی منطق استقرایی
ترجمه ماشینی مبتنی بر قانون
الگوریتم ژنتیک
سیستم مبتنی بر قانون
برنامه نویسی مبتنی بر قانون
RuleML
سیستم قوانین تولید
موتور قوانین کسب و کار
سیستم مدیریت قوانین کسب و کار
1. Bassel, George W.; Glaab, Enrico; Marquez, Julietta; Holdsworth, Michael J.; Bacardit, Jaume (2011-09-01). "Functional Network Construction in Arabidopsis Using Rule-Based Machine Learning on Large-Scale Data Sets". The Plant Cell. 23 (9): 3101–3116. doi:10.1105/tpc.111.088153. ISSN 1532-298X. PMC 3203449. PMID 21896882.
2. M., Weiss, S.; N., Indurkhya (1995-01-01). "Rule-based Machine Learning Methods for Functional Prediction". Journal of Artificial Intelligence Research. 3 (1995): 383–403. arXiv:cs/9512107. Bibcode:1995cs.......12107W. doi:10.1613/jair.199. S2CID 1588466.
3. "GECCO 2016 | Tutorials". GECCO 2016. Retrieved 2016-10-14.
4. Urbanowicz, Ryan J.; Moore, Jason H. (2009-09-22). "Learning Classifier Systems: A Complete Introduction, Review, and Roadmap". Journal of Artificial Evolution and Applications. 2009: 1–25. doi:10.1155/2009/736398. ISSN 1687-6229.
5. Zhang, C. and Zhang, S., 2002. Association rule mining: models and algorithms. Springer-Verlag.
6. De Castro, Leandro Nunes, and Jonathan Timmis. Artificial immune systems: a new computational intelligence approach. Springer Science & Business Media, 2002.
