مروری بر روش‌های پیش‌بینی و تخمین ویژگی نمونه‌ها با استفاده از روش‌های تجزیه‌ای و الگوریتم‌های یادگیری ماشین

امروزه استفاده از یادگیری ماشین (machine learning) به علت مزایای بسیار از جمله سادگی، سرعت بالا، دقت زیاد در پیش‌بینی فرایند‌های گوناگون، عدم نیاز به تجهیزات و وسایل پیچیده و در دسترس بودن کاربردهای زیادی در علوم و زمینه‌های مختلف از جمله آمار، ریاضیات، فیزیک، شیمی، بیوشیمی، مهندسی مواد، مهندسی پزشکی، داروسازی و... پیدا کرده است. بنابراین در عصر حاضر مطالعه و بررسی روش‌ها و الگوریتم‌های گوناگون یادگیری ماشین از اهمیت بسیاری برخوردار است. به عنوان زیرمجموعه‌ای از هوش مصنوعی، الگوریتم‌های یادگیری ماشین، مدل ریاضی بر اساس داده‌های نمونه یا داده‌های آموزشی به منظور پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی، ایجاد می‌کنند. یکی از جذاب‌ترین موضوعاتی که می‌توان با هوش مصنوعی روی آن متمرکز شد، پیش‌بینی و تخمین رخداد ها در آینده است. یادگیری ماشین، توانایی یادگیری مستقل را برای ماشین‌ها ایجاد می‌کند. به عبارتی ماشین می‌تواند از تجربیات، مشاهدات و الگوهایی که بر اساس مجموعه ای از داده ها تجزیه و تحلیل می‌کند، آموزش ببیند. امروزه یادگیری ماشین کاربرد زیادی در شیمی تجزیه پیدا کرده است و از داده‌های حاصل از روش‌های مختلف تجزیه‌ای مانند طیف سنجی، فلورسانس، ولتامتری، طیف‌سنجی نشری، میکرواستخراج فاز جامد، سوانگاری مایع، سوانگاری گازی، طیف‌سنجی فروسرخ و ... برای مدل‌سازی، پیش‌بینی و طبقه‌بندی داده‌ها استفاده می‌شود. یادگیری ماشین همچنین به طور گسترده در سنتز، بهینه‌سازی پارامترها و کنترل خواص پلیمرها استفاده می‌شود. مدل‌های ساخته شده از دقت بسیار زیادی برخوردار هستند.