ماشین یادگیری افراطی یا ماشین یادگیری حداکثر (به انگلیسی: Extreme learning machine) یک شبکه عصبی پیشخور است که برای طبقه بندی آماری ، تحلیل رگرسیون ، خوشه بندی، 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.
کتابخانه متلب
کتابخانه پایتون
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}}}
کتابخانه متلب
کتابخانه پایتون
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}}}
wiki: ماشین یادگیری افراطی