سمیه زارع - دانشجوی کارشناسی ارشد گروه مهندسی کامپیوتر، موسسه آموزش عالی آپادانا ، شیراز ، ایرا ن

یادگیری چند وظیفه ای یک پارادایم آموزشی در یادگیری ماشین است و هدف آن استفاده از اطلاعات مفید است که در چندین کار مرتبط گنجانده شده است تا به بهبود عملکرد تعمیم همه کارها کمک کند. در این مقاله، یک بررسی برای mtl از دیدگاه مدل سازی الگوریتمی، کاربردها و آنالیزهای تیوری ارایه میدهیم. برای مدلسازی الگوریتمی، ما تعریفی از mtl ارایه میدهیم و سپس الگوریتم های mtl مختلف را به پنج دسته طبقه بندی میکنیم، از جمله رویکرد یادگیری ویژگی، رویکرد طبقه بندی پایین، رویکرد خوشه بندی وظیفه، رویکرد یادگیری رابطه کاری و رویکرد تجزیه و همچنین بحث در مورد ویژگی های هر روش. به منظور بهبود عملکرد وظایف یادگیری، mtl را می توان با الگوهای آموزشی دیگر از جمله یادگیری نیمه نظارت، یادگیری تقویتی، یادگیری تقویتی، یادگیری تقویتی چند دید، و همچنین کاهش ابعاد و درهم سازی ویژگی برای نشان دادن مزایای محاسباتی و نگهداری آنها، ترکیب کرد. بسیاری از کاربردهای دنیای واقعی از mtl برای باال بردن عملکرد خود استفاده میکنند و ما در این مقاله به بررسی آثار نماینده میپردازیم. در نهایت، تحلیل های نظری را ارایه کرده و چندین جهت آینده را برای mtl مورد بحث قرار میدهیم

یادگیری چند وظیفه ای، یادگیری ماشینی، هوش مصنوعی