یادگیری ماشین چیست؟ در این مقاله آموزشی سر آن داریم در مورد یادگیری ماشین و انواع آن توضیحاتی بدهیم. لطفا با ما همراه باشید.
یادگیری ماشین ، کاربردی از هوش مصنوعی (AI) است که به سیستمها اجازه میدهد به طور خودکار از تجربه یاد بگیرند و بدون برنامهریزی صریح ، پیشرفت کنند.
یادگیری ماشین بر توسعه برنامههای کامپیوتری متمرکز است که میتواند به دادههای کسب شده از محیط یادگیری دسترسی داشته باشد و از آنها برای یادگیری خود استفاده کند.
فرآیند یادگیری با مشاهدات یا دادههایی مانند مثالها ، تجربه مستقیم یا دستورالعملها آغاز میشود تا به دنبال الگوهای دادهها و تصمیمات بهتر در آینده بر اساس مثالهایی که ارائه میدهیم ، باشیم. هدف اصلی این است که به رایانهها اجازه دهیم به طور خودکار بدون دخالت یا کمک انسان یاد بگیرند و اقدامات را بر این اساس تنظیم کنند.
اما ، با استفاده از الگوریتمهای کلاسیک یادگیری ماشین ، متن به عنوان دنبالهای از کلمات کلیدی دیده میشود. در عوض ، یک رویکرد مبتنی بر تجزیه و تحلیل معنایی ، از توانایی انسان در درک معنای یک متن تقلید میکند.
برخی از روشهای یادگیری ماشین
الگوریتمهای یادگیری ماشین اغلب در دو بخش ۱. تحت نظارت و ۲. بدون نظارت طبقهبندی می شوند.
الگوریتمهای تحت نظارت
الگوریتمهای یادگیری ماشین تحت نظارت می.توانند آموختههای گذشته را با استفاده از مثالهای ساختاریافته و برچسب زده شده برای پیشبینی رویدادهای آینده در دادههای جدید اعمال کنند. از تجزیه و تحلیل مجموعه داده های آموزشی شناخته شده ، الگوریتم آموزش یک تابع استنباطی برای پیش بینی مقادیر خروجی تولید می کند. این سیستم قادر است پس از آموزش کافی اهداف جدیدی را برای ورود جدید ارائه دهد. الگوریتم آموزشی همچنین می تواند خروجی آن را با خروجی صحیح و مورد انتظار مقایسه کرده و خطاهایی را بیابد تا بر این اساس مدل را اصلاح کند.
الگوریتمهای بدون نظارت
در مقابل ، الگوریتمهای یادگیری ماشین بدون نظارت زمانی مورد استفاده قرار میگیرند که اطلاعات مورد استفاده برای آموزش ، نه طبقهبندی شده و نه برچسبگذاری شده باشند. یادگیری بدون نظارت مطالعه میکند که چگونه سیستمها میتوانند عملکردی را برای توصیف ساختار پنهان از دادههای بدون برچسب استنباط کنند. سیستم خروجی درستی پیدا نمیکند ، اما دادهها را کاوش میکند و میتواند از مجموعه دادهها استنباطهایی برای توصیف ساختارهای پنهان از دادههای بدون برچسب بگیرد.
الگوریتمهای نیمه نظارتی
الگوریتمهای یادگیری ماشین نیمه نظارتی بین یادگیری تحت نظارت و بدون نظارت قرار میگیرند ، زیرا از دادههای برچسب زده و بدون برچسب برای آموزش استفاده میکنند. معمولاً مقدار کمی از دادههای برچسب زده شده و مقدار زیادی دادههای بدون برچسب. سیستمهایی که از این روش استفاده میکنند میتوانند دقت یادگیری را به طرز چشمگیری افزایش دهند. معمولاً ، یادگیری نیمه تحت نظارتی زمانی انتخاب میشود که دادههای دارای برچسب به دست آمده به منابع ماهر و مرتبط برای آموزش و یادگیری نیاز داشته باشد. در غیر این صورت ، دستیابی به دادههای بدون برچسب به طور کلی به منابع اضافی نیاز ندارد.
الگوریتمهای تقویت کننده
الگوریتمهای یادگیری ماشین تقویت کننده روشی برای یادگیری است که با ایجاد اقدامات و کشف خطاها یا پاداشها با محیط خود در تعامل است. تحقیقات آزمایش و خطا و تأخیر در پاداش مهم ترین ویژگیهای یادگیری تقویتی است. این روش به ماشینها و عوامل نرم افزاری اجازه میدهد تا به طور خودکار رفتار ایدهآل را در یک زمینه خاص تعیین کنند تا عملکرد آن حداکثر شود. یک بازگشت پاداش ساده ضروری است تا نماینده بداند کدام اقدام بهتر است. به این سیگنال تقویت میگویند.
یادگیری ماشین تجزیه و تحلیل حجم عظیمی از دادهها را ممکن میسازد. در حالی که به طور معمول نتایج سریعتر و دقیقتری را برای شناسایی فرصتهای سودآور یا خطرات خطرناک ارائه میدهد ، ممکن است به زمان و منابع بیشتری برای آموزش صحیح آن نیاز داشته باشد. ترکیب یادگیری ماشینی با هوش مصنوعی و فناوریهای شناختی میتواند آن را در پردازش حجم زیادی از اطلاعات کارآمدتر کند.
در این آموزش در مورد این که یادگیری ماشین چیست سخن گفتیم.
منبع
این مقاله برای من مفید بود
1+ 0 نفر این مقاله را پسندیده