13994

بررسي جامع الگوريتم هاي تقويت (Boosting) در حوزه يادگيري ماشين و كاربرد آن ها در مهندسي عمران

1402

دكتر وحيد بروجرديان

اين پژوهش به بررسي جامع الگوريتم‌هاي تقويت (Boosting) در حوزه يادگيري ماشين و كاربردهاي آن در مهندسي عمران مي‌پردازد. يادگيري ماشين با افزايش كارايي در تحليل داده‌هاي پيچيده، به عنوان يك ابزار كليدي در حل مسائل مهندسي عمران شناخته شده است. در اين پژوهش، پس از معرفي و بررسي اهميت يادگيري ماشين، به تاريخچه، توسعه و كاربردهاي الگوريتم‌هاي تقويت مانند Adaboost، Gradient Boosting، XGBoost، LightGBM و CatBoost پرداخته مي‌شود. روش تحقيق شامل بررسي مقايسه‌اي الگوريتم‌ها از لحاظ دقت، سرعت و كارايي در حل مسائل مختلف مهندسي عمران است. به منظور ارزيابي، داده‌هاي مختلف مقالات استفاده و تحليل مي‌شوند. نتايج نشان مي‌دهد كه الگوريتم‌هاي تقويت، به ويژه XGBoost و CatBoost، كارايي بالايي در پيش‌بيني‌هاي پيچيده سازه‌اي دارند و بهبود قابل‌توجهي در دقت نسبت به ساير روش‌ها ايجاد مي‌كنند. نوآوري اين پژوهش در ارائه يك مرور جامع و مقايسه دقيق بين الگوريتم‌هاي تقويت و كاربرد آن‌ها در مهندسي عمران است.

10/20/2024 12:00:00 AM

84424

1403/08/06

A comprehensive review of boosting algorithms in the field of machine learning and their application in civil engineering

يادگيري ماشين , الگوريتم تقويت , CatBoost , XGBoost , مهندسي سازه , مهندسي عمران

civil engineering , structural engineering , CatBoost , XGBoost , boosting algorithm , Machine learning