یادگیری ماشین بنیادی ترین شاخه هوش مصنوعی

یادگیری ماشین چیست؟

یادگیری ماشین (ML) نوعی از هوش مصنوعی (AI) است که به برنامه های نرم افزاری اجازه می دهد در پیش بینی نتایج دقیق تر بدون برنامه ریزی صریح برای انجام این کار ، دقت بیشتری داشته باشند. الگوریتم های یادگیری ماشین از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند.

موتورهای توصیه از موارد رایج برای یادگیری ماشین هستند. سایر کاربردهای رایج عبارتند از تشخیص تقلب ، فیلتر هرزنامه ، تشخیص تهدید بدافزار ، اتوماسیون فرایندهای تجاری (BPA) و تعمیر و نگهداری پیش بینی کننده.

چرا یادگیری ماشین مهم است؟

یادگیری ماشین از آن جهت اهمیت دارد که به شرکتها نمایی از رفتار مشتریان و الگوهای عملیاتی کسب و کار ارائه می دهد و همچنین از توسعه محصولات جدید پشتیبانی می کند. بسیاری از شرکت های پیشرو امروزی ، مانند فیس بوک ، گوگل و اوبر ، یادگیری ماشین را بخش اصلی عملیات خود می دانند. یادگیری ماشین برای بسیاری از شرکتها به یک تمایز رقابتی قابل توجه تبدیل شده است.

انواع مختلف یادگیری ماشین چیست؟

یادگیری ماشین کلاسیک اغلب بر اساس نحوه یادگیری الگوریتم در پیش بینی دقیق تر طبقه بندی می شود. چهار رویکرد اساسی وجود دارد: یادگیری تحت نظارت ، یادگیری بدون نظارت ، یادگیری نیمه نظارت و یادگیری تقویتی. نوع الگوریتم داده های دانشمندان برای استفاده بستگی به نوع داده ای دارد که آنها می خواهند پیش بینی کنند.

یادگیری تحت نظارت: در این نوع یادگیری ماشینی ، دانشمندان داده ها الگوریتم هایی با برچسب داده های آموزشی ارائه می دهند و متغیرهایی را که می خواهند الگوریتم برای همبستگی آنها ارزیابی کند ، تعریف می کنند. هر دو ورودی و خروجی الگوریتم مشخص شده است.

یادگیری بدون نظارت: این نوع یادگیری ماشین شامل الگوریتم هایی است که بر روی داده های بدون برچسب آموزش می دهند. این الگوریتم با جستجوی هرگونه ارتباط معنی دار ، مجموعه داده ها را اسکن می کند. داده هایی که الگوریتم ها آموزش می دهند و همچنین پیش بینی ها یا توصیه هایی که آنها ارائه می دهند از پیش تعیین شده است.

یادگیری نیمه نظارت: این رویکرد برای یادگیری ماشین شامل ترکیبی از دو نوع قبلی است. دانشمندان داده ممکن است از الگوریتمی استفاده کنند که بیشتر برچسب داده های آموزشی است ، اما مدل آزاد است که داده ها را به تنهایی کاوش کرده و درک خود را از مجموعه داده ها توسعه دهد.

یادگیری تقویتی: دانشمندان داده معمولاً از یادگیری تقویتی برای آموزش ماشین به منظور تکمیل فرایند چند مرحله ای که قوانین مشخصی برای آن وجود دارد ، استفاده می کنند. دانشمندان داده یک الگوریتم را برای تکمیل یک کار برنامه ریزی می کنند و نشانه های مثبت یا منفی را به عنوان نحوه انجام یک کار ارائه می دهند. اما در بیشتر موارد ، الگوریتم به تنهایی تصمیم می گیرد که در طول مسیر چه اقداماتی انجام دهد.

یادگیری ماشینی تحت نظارت چگونه کار می کند؟

یادگیری ماشینی تحت نظارت مستلزم این است که دانشمند الگوریتم را با ورودی های برچسب گذاری شده و خروجی های مورد نظر آموزش دهد. الگوریتم های یادگیری تحت نظارت برای کارهای زیر مناسب هستند:

طبقه بندی دوتایی: تقسیم داده ها به دو دسته.

طبقه بندی چند طبقه: انتخاب بین بیش از دو نوع پاسخ.

مدل سازی رگرسیون: پیش بینی مقادیر پیوسته

مونتاژ: ترکیب پیش بینی های چند مدل یادگیری ماشین برای تولید یک پیش بینی دقیق.

یادگیری ماشینی بدون نظارت چگونه کار می کند؟

الگوریتم های یادگیری ماشین بدون نظارت نیازی به برچسب زدن داده ها ندارند. آنها داده های بدون برچسب را غربال می کنند تا به دنبال الگوهایی باشند که می تواند برای گروه بندی نقاط داده در زیر مجموعه ها مورد استفاده قرار گیرد. اکثر انواع یادگیری عمیق ، از جمله شبکه های عصبی ، الگوریتم های بدون نظارت هستند. الگوریتم های یادگیری بدون نظارت برای کارهای زیر مناسب هستند:

خوشه بندی: تقسیم مجموعه داده ها بر اساس شباهت به گروه ها.

تشخیص ناهنجاری: شناسایی نقاط داده غیر معمول در یک مجموعه داده.

انجمن استخراج: شناسایی مجموعه ای از اقلام در یک مجموعه داده که اغلب با هم اتفاق می افتد.

کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده

یادگیری تقویتی چگونه کار می کند؟

یادگیری تقویتی با برنامه ریزی الگوریتمی با هدف مشخص و مجموعه ای از قوانین برای دستیابی به این هدف کار می کند. دانشمندان داده همچنین الگوریتم را برای جستجوی پاداشهای مثبت برنامه ریزی می کنند – که در هنگام انجام عملی که برای هدف نهایی مفید است – و از مجازات اجتناب می کند – که هنگام انجام عملی که آن را از نهایی خود دورتر می کند ، دریافت می کند. هدف. یادگیری تقویتی اغلب در زمینه هایی مانند:

روباتیک: روبات ها می توانند با استفاده از این تکنیک انجام وظایف دنیای فیزیکی را بیاموزند.

گیم پلی ویدئویی: از آموزش تقویتی برای آموزش ربات ها برای اجرای تعدادی بازی های ویدئویی استفاده شده است.

مدیریت منابع: با توجه به منابع محدود و هدف مشخص ، یادگیری تقویتی می تواند به شرکتها در برنامه ریزی نحوه تخصیص منابع کمک کند.

 

 

 

پیشنهاد مطالعه

راهنمای مقاله