یادگیری ماشین (machine learning) چیست

یادگیری ماشینی کاربردی از هوش مصنوعی (AI) است که به سیستمها امکان یادگیری و پیشرفت خودکار از تجربیات را بدون برنامه ریزی صریح فراهم می کند. یادگیری ماشینی بر توسعه برنامه های رایانه ای که می توانند به داده ها دسترسی پیدا کرده و از آن برای یادگیری خود استفاده کنند، تمرکز می کند.

فرایند یادگیری، با مشاهدات یا داده ها مانند مثال ها ، تجربه مستقیم یا دستورالعمل ها شروع می شود تا به دنبال الگوهایی در داده ها و تصمیم گیری های بهتری در آینده بر اساس مثالهایی که ارائه می دهیم باشد. هدف اصلی این است که کامپیوترها بدون دخالت یا کمک انسان یاد بگیرند و اقدامات خود را بر این اساس تنظیم کنند.

برخی از روشهای یادگیری ماشین

الگوریتم های یادگیری ماشین اغلب به عنوان باناظر یا بدون ناظر طبقه بندی می شوند.

الگوریتم های یادگیری ماشین نظارت شده می توانند آنچه را که در گذشته آموخته اند ، با استفاده از نمونه های برچسب زده شده ، برای پیش بینی وقایع آینده ، از داده های جدید استفاده کنند. با شروع از تجزیه و تحلیل مجموعه داده های آموزشی شناخته شده ، الگوریتم یادگیری یک عملکرد استنباطی را تولید می کند تا در مورد مقادیر خروجی پیش بینی کند. این سیستم قادر به ارائه اهداف برای هر ورودی جدید پس از آموزش کافی است. الگوریتم یادگیری همچنین می تواند خروجی آن را با خروجی صحیح و در نظر گرفته شده مقایسه کند و خطاهایی را پیدا کند تا بر این اساس مدل اصلاح شود.

در مقابل ، الگوریتم های یادگیری ماشین بدون نظارت وقتی استفاده می شود که اطلاعاتی که برای آموزش استفاده می شود ، نه طبقه بندی شده و نه برچسب زده هستند. یادگیری بدون نظارت بررسی می کند که چگونه سیستم ها می توانند یک عملکرد را برای توصیف ساختار پنهان از داده های بدون برچسب استنباط کنند. سیستم خروجی مناسب را مشخص نمی کند ، اما داده ها را کاوش می کند و می تواند توصیف ساختارهای پنهان از داده های بدون برچسب را انجام دهد.

الگوریتم های یادگیری نیمه نظارت شده جایی بین یادگیری نظارت شده و نظارت نشده قرار دارند ، زیرا آنها از هر دو داده دارای برچسب و بدون برچسب برای آموزش استفاده می کنند - به طور معمول مقدار کمی از داده ها دارای برچسب و مقدار زیادی از داده ها بدون برچسب هستند. سیستم هایی که از این روش استفاده می کنند ، می توانند دقت یادگیری را به میزان قابل توجهی بهبود بخشند. معمولاً ، یادگیری نیمه نظارت شده وقتی انتخاب می شود که داده های دارای برچسب به دست آمده نیاز به منابع مرتبط دارند تا بتوانند آن را آموزش دهند / از آن یاد بگیرند. در غیر این صورت ، دستیابی به داده های دارای برچسب معمولاً نیازی به منابع اضافی ندارد.

الگوریتم های یادگیری ماشین تقویت کننده یک روش یادگیری است که با تولید اقدامات با محیط خود در تعامل است و به هر حرکت یک امتیاز می دهد. آزمون و خطا، جستجوی خطاها و دادن پاداش از ویژگیهای یادگیری تقویتی هستند. این روش به ماشین ها و نرم افزار ها اجازه می دهد تا به طور خودکار رفتار ایده آل را در یک زمینه خاص به منظور به حداکثر رساندن پاداش خود تعیین کنند. فیدبک پاداش راهی ساده برای عامل است که یاد بگیرد کدام عمل بهتر است که این به عنوان سیگنال تقویت شناخته شده است.

یادگیری ماشین تجزیه و تحلیل مقادیر انبوه داده ها را امکان پذیر می کند. اگرچه به منظور شناسایی فرصتهای سودآور یا خطرناک معمولاً نتایج سریعتر و دقیق تری ارائه می دهد ، ممکن است برای آموزش صحیح آن به زمان و منابع اضافی نیز نیاز داشته باشد. تلفیق یادگیری ماشین با هوش مصنوعی و فن آوری های شناختی می تواند در پردازش حجم زیادی از اطلاعات موثرتر نیز باشد.

نظر شما

0 نظر

نظری ثبت نشده است