التعلم القائم على الحالات

في مجال تعلم الآلة ، يُعدّ التعلم القائم على الحالات (ويُسمى أحيانًا التعلم القائم على الذاكرة ^{[ 1 ]} ) مجموعة من خوارزميات التعلم التي، بدلًا من إجراء تعميم صريح، تُقارن حالات المشكلة الجديدة بالحالات التي تمت رؤيتها أثناء التدريب، والتي تم تخزينها في الذاكرة. ولأن الحساب يُؤجل حتى يتم رصد حالة جديدة، يُشار إلى هذه الخوارزميات أحيانًا باسم "الكسولة". ^{[ 2 ]}

يُطلق عليه اسم "التعلم القائم على الحالات" لأنه يبني الفرضيات مباشرةً من حالات التدريب نفسها. ^{[ 3 ]} وهذا يعني أن تعقيد الفرضية قد يزداد مع ازدياد حجم البيانات: ^{[ 3 ]} في أسوأ الحالات، تكون الفرضية عبارة عن قائمة تضم n عنصرًا تدريبيًا، ويكون التعقيد الحسابي لتصنيف حالة جديدة واحدة هو O ( n ). إحدى مزايا التعلم القائم على الحالات مقارنةً بأساليب التعلم الآلي الأخرى هي قدرته على تكييف نموذجه مع بيانات لم يسبق رؤيتها. إذ يمكن للمتعلمين القائمين على الحالات ببساطة تخزين حالة جديدة أو حذف حالة قديمة.

من أمثلة خوارزميات التعلم القائمة على الحالات خوارزمية أقرب الجيران k ، وآلات النواة ، وشبكات RBF . ^{[ 2 ] : الفصل 8.} تخزن هذه الخوارزميات (مجموعة فرعية من) مجموعة التدريب الخاصة بها؛ وعند التنبؤ بقيمة/فئة لحالة جديدة، فإنها تحسب المسافات أو أوجه التشابه بين هذه الحالة وحالات التدريب لاتخاذ القرار.

للتغلب على تعقيد الذاكرة اللازم لتخزين جميع حالات التدريب، بالإضافة إلى خطر الإفراط في التخصيص للضوضاء في مجموعة التدريب، تم اقتراح خوارزميات تقليل الحالات . ^{[ 4 ]}

• النمذجة التناظرية