کاربرد روش های یادگیری ماشینی در حوزه طراحی محیط مصنوع (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
اهداف: امروزه استفاده از هوش مصنوعی رشد چشمگیری داشته، و به عنوان یک حوزه نوین در حال پیشرفت است. هدف اصلی این پژوهش، شناخت ظرفیت های هوش مصنوعی در پیشبرد فرآیند طراحی و اجرا در محیط مصنوع است. هدف کاربردی پژوهش، توسعه و کاربردی سازی مهمترین دستاوردهای یادگیری ماشینی و در حوزه طراحی است. روش ها: روش تحقیق اصلی پژوهش «فراتحلیل» در پارادایم «آزادپژوهی» با رویکرد انتقادی و طراحی مبنا است که با استفاده از تکنیک های پهنانگر، حوزه کلی دانشی این حوزه را بررسی می کند. سپس به منظور تثبیت اشراف به ادبیات موضوع، از طریق جستوجو در سه پایگاه های معتبر دانشی این حوزه، نسبت به جمع آوری مقالات مرتبط به یادگیری ماشین در حوزه های روش های یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی اقدام شده؛ مهمترین ظرفیت ها و کاستی ها، و نقاط قوت و ضعف مورد نقد و بررسی قرار می گیرد. یافته ها: یافته های کمی حاصل از داده های ترکیب شده بیانگر آن است که یادگیری ماشینی تحت نظارت و یادگیری عمیق هدایت شده، می تواند بهترین گزینه برای توصیه در آینده طراحی باشد. در حالی که فرآیند یادگیری در یادگیری عمیق تدریجی و کندتر است، یادگیری ماشینی تحت نظارت در مرحله آزمون و تست سریع تر عمل می کند. نتیجه گیری: نتایج پژوهش تاکید دارد که یادگیری ماشینی تحت نظارت، بهترین گزینه برای پیش بینی پاسخ ها در فرآیند طراحی است اما در صورتی که علاوه بر پیش بینی، موضوع خلاقیت در طراحی مورد نظر باشد، یادگیری عمیق کارآمدتر است.Application of Machine Learning Methodology in the Design of the Built Environment
Aims: Today, the use of artificial intelligence has grown significantly, and is developing as a new field. The main goal of this research is to know the capabilities of artificial intelligence in advancing the design and implementation process in the artificial environment. The practical goal of research is the development and application of the most important achievements of machine learning in the field of design.
Methods: The main research method is "meta-analysis" research in the paradigm of "free research" with a critical approach and basic design, which examines the general knowledge field of this field using broad techniques. Then, to consolidate the literature on the topic, through searching three reliable knowledge bases of this field, we collected articles related to machine learning in the fields of unsupervised learning methods, semi-supervised learning, and reinforcement learning; The most important capacities and shortcomings, and strengths and weaknesses are reviewed.
Findings: Quantitative findings from the combined data indicate that supervised machine learning and directed deep learning can be the best option to recommend in the future of design. While the learning process in deep learning is gradual and slower, supervised machine learning works faster in the testing phase.
Conclusion: The research emphasizes that supervised machine learning is the best option for predicting answers in the design process. But if, in addition to prediction, the issue of creativity in design is desired, deep learning is more efficient.
تبلیغات
