نرمال ساز

💡 است که تبدیلی از چندجمله‌ای مشخصه است. می‌توان هر مضربی از آن را استفاده کرد، ولی این نرمال سازی هر دو را انتخاب کرده تا رابطه ساده‌تری برای چندجمله‌ای مشخصه داشته باشد و همچنین داشته باشد

💡 مقدار شاخص در پایان سال ۱۹۹۲ می‌باشد. شاخص قیمت عموماً در تاریخ پایه با عدد معیار ۱۰۰ نرمال سازی و شروع می‌شود؛ بنابراین

💡 در این صورت برای نرمال سازی مقادیر معیارها را از رابطه زیر استفاده کنید:

💡 این تکنیک‌ها به نام اندری نیکلایویچ تیخونوف نامگذاری شده‌اند که نرمال سازی را برای معادلات انتگرالی به کار گرفت و در بسیاری از زمینه‌های دیگر مشارکت‌های مهمی داشت.

💡 وقتی جمع آوری برچسب‌ها از ورودی‌های نمونه گرفته شده، هزینه بیشتری دارد، یادگیری نیمه‌نظارتی می‌تواند مفید باشد. نرمال‌سازها (تنظیم‌کننده‌ها) برای هدایت الگوریتم‌های یادگیری به یادگیری مدل‌هایی که ساختار نمونه‌های آموزش بدون نظارت را رعایت می‌کنند طراحی شده‌اند. اگر ماتریس وزن همسان W داده شده باشد، می‌توان یک نرمال ساز تعریف کرد.

💡 ، راه حل نرمال سازی تیخونوف را می توان به صورت ذیل بیان کرد

💡 مهندس برق برای تنظیم دامنه سیگنال‌های ورودی به سیستم، از یک نرمال ساز پیشرفته استفاده کرد تا از بروز خطا در پردازش داده‌ها جلوگیری شود.

💡 در الگوریتم‌های یادگیری ماشین، وجود یک نرمال ساز مناسب می‌تواند سرعت همگرایی مدل را افزایش داده و دقت پیش‌بینی نهایی را به شدت بهبود بخشد.

💡 متخصصان آمار برای استانداردسازی داده‌های آماری پراکنده، از یک نرمال ساز ریاضی استفاده می‌کنند تا مقایسه میان گروه‌های مختلف مطالعه امکان‌پذیر و دقیق باشد.