محمدحسین زرچی

یادگیری ماشین - بخش دوم

محمدحسین زرچی دولوپر و علاقه‌مند به ساخت ربات

این محتوا بدون نظارت تیم سکان آکادمی تولید شده و صرفاً نظرات شخصی محمدحسین زرچی می‌باشد.

الگوریتم های یادگیری ماشین را می‌توان به سه دسته گسترده تقسیم کرد:

یادگیری نظارت شده:
سیستم با استفاده از ورودی‌های آزمایشی و خروجی های مورد نظر ما مورد آزمایش قرار می‌گیرد و هدف از این کار یادگیری یک قاعده کلی بوسیله سیستم است و همچنین بتواند رابطه ای بین ورودی و خروجی به دست آورد بعنوان مثال می‌توان به فیلتر اسپم ایمیل اشاره کرد.

یادگیری بدون نظارت:
در این روش هیچ الگویی به سیستم داده نمی‌شود بلکه سیستم را در ورودی‌ها تنها می‌گذاریم تا بتواند ساختار ورودی‌های خود را پیدا کند( کشف الگوهای پنهان در داده‌ها). بعنوان مثال تصور کنید در مورد تمام خودروها و خریداران آن‌ها اطلاعات دارید، این سیستم می‌تواند الگویی پیدا کند و تشخیص دهد که بعنوان مثال مردم حومه شهر خودروی بنزینی را ترجیح می‌دهند، اما افرادی که در مرکز شهر زندگی می‌کنند اتومبیل های برقی با سایز کوچک‌تر را ترجیح می‌دهند، دانستن این امر می‌تواند به سیستم کمک کند تا پیش بینی دقیقی از خریداران هر خودرو انجام دهد.

یادگیری تقویتی:
دراین روش سیستم با یک محیط پویا در تعامل است که در آن محیط باید یک هدف مشخصی را انجام دهد، منظور از محیط پویا محیطی است که هدف سیستم مشخص است ولی بسته به شرایط و داده‌ها راه های رسیدن به هدف متغییر است مانند هوش مصنوعی بازی شطرنج که با هر حرکت کاربر راه رسیدن به پیروزی توسط سیستم تغییر می‌کند و در نهایت به هدف خودش یعنی شکست دادن کاربر می‌رسد. در این روش سیستم بنا به سختی و آسانی الگوریتم از لحاظ پاداش و مجازات از خود بازخورد ارائه می‌کند.

به غیر از موارد ذکر شده دسته بندی دیگری از کارهای یادگیری ماشین با توجه به بازده مورد نظر بوجود می‌آید که در ادامه توضیحی درباره آنان می‌دهیم.

- روش طبقه بندی (معمولا در یادگیری نظارت شده): در این روش ورودی‌ها به دو یا بیش از دو کلاس تقسیم می‌شوند، فیلتر اسپم نمونه‌ای از طبقه بندی است، در قسمتی از برنامه که ورودی‌های ما فقط ایمیل هستند، کلاس‌های ما به دو گروه "اسپم" و "اسپم نیست" تقسیم می‌شوند.

- روش regression: این روش چالش ساز روش یادگیریه نظارت شده است، در این روش ما خروجی های با ارزش همراه با اعتبار زیاد را پیش بینی می‌کنیم مانند قیمت خانه یا قیمت سهام.

- روش خوشه بندی: در این روش بر خلاف روش طبقه بندی مجموعه ای از ورودی به گروه هایی تقسیم می‌شوند و این گروه ها از قبل مشخص نیستند و این کار معمولاً یک کار غیر قابل نظارت است بعنوان مثال می‌توانیم به تقسیم مشتری در یک فروشگاه دیجیتالی اشاره کنیم.

- روش تخمین چگالی: این روش توزیع ورودی‌ها را در بعضی از فضاها می‌یابد به گونه‌ای که مثلا با داشتن نتایج آزمایش دیابت از تعداد افراد مشخصی، می‌توان توزیع را برای کل جمعیت تخمین زد.

- روش کاهش ابعاد: در این روش سیستم با استفاده از نقشه برداری از داده‌ها، آن‌ها را در یک فضای کم بعدی ساده می‌کند، به عنوان مثال شما لیستی از افراد شرکت خود دارید که در این لیست ویژگی ها و میزان موفقیت پروژه قرار گرفته است، برنامه باید درک کند که نفر ۱۰۰۰ که وارد لیست می‌شود درصد موفقیت پروژه‌ای که به او می‌دهیم چقدر است، سیستم به آنالیز داده‌ها می پردازد و به عنوان مثال در میابد که دو نفر از اعضای خانم و سه نفر از اعضای آقا داخل لیست داده‌ها موفق شده‌اند پروژه را به اتمام برسانند بنابراین جنسیت ربطی به میزان موفقیت ندارد و شرط جنسیت از شروط موفقیت سیستم حذف می‌شود و به همین طریق سیستم آنالیز را ادامه می‌دهد تا به یک معیار درست برسد.

ترجمه از سایت SoloLearn

ایدهٔ خود را در سکان‌پلاس بنویسید!

لیست نظرات
کاربر میهمان
دیدگاه شما چیست؟
کاربر میهمان
کاربر میهمان
مهدیمن یک کاربر مهمان هستم
۱۳۹۸/۰۶/۲۴
منتظر قسمت‌های بعدی هستیم
کاربر میهمان
کاربر میهمانمن یک کاربر مهمان هستم
۱۳۹۸/۰۶/۱۹
مختصر و مفید بود!
منتظر قسمت‌های بعدی هستم.
علی رحیمی
علی رحیمیبرنامه نویس و طراح گرافیک و غیره
۱۳۹۸/۰۶/۱۸
بسیار عالییه ، خیلی خیلی خوبه
منتظر قسمت سومیم😍😍😍