الگوریتم های یادگیری ماشین

الگوریتم های یادگیری ماشین به سیستم ها اجازه می دهد تا بطور خودگردان، بدون هیچ پشتیبانی خارجی، تصمیم گیری کنند. این تصمیمات در شرایطی اتخاذ می شود که دستگاه قادر به یادگیری از داده باشد و الگوهای اساسی یادگیری ماشین موجود در آن را درک کند. سپس، از طریق تطبیق الگو و تحلیل بیشتر، نتیجه را که می تواند یک کلاسه بندی یا یک پیش بینی باشد، برمی گردانند.

همانطور که مدل های یادگیری ماشین را در مطلب قبلی بررسی کردیم، انواع مختلفی از الگوریتم­ های یادگیری ماشین وجود دارند و بر اساس شرایط مختلف، ما باید از بهترین الگوریتم برای رسیدن به بهترین نتیجه استفاده کنیم. الگوریتم‌های زیادی در هر روش یادگیری ماشین وجود دارند که با بهترین دقت خروجی را پیدا می‌کنند، و این بیشترین دقتی است که ما برای استفاده از آن الگوریتم ­ها داریم. ما می­توانیم خطای هر الگوریتم را با کاهش نویز در داده ­ها به حداقل برسانیم.

در نهایت، می­توان گفت که در بین الگوریتم های یادگیری ماشین هیچ کدام وجود ندارد که بتواند دقت 100 درصدی را به شما بدهد. حتی مغز انسان هم نمی­تواند این کار را انجام دهد، بنابراین بهترین الگوریتم را برای کار بر روی داده ­های خود پیدا کنید.

الگوریتم های یادگیری ماشین که به طور معمول استفاده می شوند

شبکه های عصبی: شبکه های عصبی نحوه عملکرد مغز انسان را با تعداد زیادی گره پردازشی مرتبط شبیه سازی می کنند. شبکه های عصبی در تشخیص الگوها خوب هستند و نقش مهمی در کاربردهایی از جمله ترجمه زبان طبیعی، تشخیص تصویر، تشخیص گفتار و ایجاد تصویر دارند.

رگرسیون خطی: این الگوریتم برای پیش بینی مقادیر عددی بر اساس رابطه خطی بین مقادیر مختلف استفاده می شود. به عنوان مثال، این تکنیک می تواند برای پیش بینی قیمت خانه بر اساس داده های تاریخی برای منطقه مورد استفاده قرار گیرد.

رگرسیون لجستیک: از جمله الگوریتم های یادگیری ماشین این الگوریتم یادگیری نظارت شده، پیش‌بینی‌هایی را برای متغیرهای پاسخ طبقه‌ای، مانند پاسخ‌های «بله/خیر» به سؤالات انجام می‌دهد. می توان از آن برای برنامه هایی مانند طبقه بندی هرزنامه و کنترل کیفیت در خط تولید استفاده کرد.

خوشه بندی: با استفاده از یادگیری بدون نظارت، الگوریتم های خوشه بندی می توانند الگوهای موجود در داده ها را شناسایی کنند تا بتوان آنها را گروه بندی کرد. رایانه ها می توانند با شناسایی تفاوت های بین اقلام داده ای که انسان ها نادیده گرفته اند، به دانشمندان داده کمک کنند.

بیشتر بخوانید: دسته بندی مودم ها LTE بر اساس کتگوری (Cat)

درخت تصمیم: درخت تصمیم را می توان هم برای پیش بینی مقادیر عددی (رگرسیون) و هم برای طبقه بندی داده ها به دسته ها استفاده کرد. درختان تصمیم از یک دنباله انشعاب از تصمیمات مرتبط استفاده می کنند که می تواند با یک نمودار درختی نمایش داده شود. یکی از مزایای درخت تصمیم این است که بر خلاف شبکه عصبی، اعتبارسنجی و ممیزی آسان است.

جنگل‌های تصادفی: در یک جنگل تصادفی، الگوریتم یادگیری ماشین با ترکیب نتایج تعدادی درخت تصمیم، یک مقدار یا دسته را پیش‌بینی می‌کند.

تقویت گرادیان: تقویت گرادیان، یک روش یادگیری گروهی از الگوریتم های یادگیری ماشین است که مجموعه ای از چندین درخت تصمیم گیری ضعیف است که به یک کلاسه بند قدرتمند منتهی می شود.

ماشین بردار پشتیبان: SVM ها کلاسه بند های قدرتمندی هستند که با کمک ابرصفحه ها، برای طبقه بندی مجموعه داده های دودویی (باینری) به دو کلاس، استفاده می شوند.

نتیجه گیری:

یادگیری ماشین یک حوزه گسترده است، و به سه مدل یادگیری نظارت شده، بدون نظارت و یادگیری تقویتی دسته بندی می شود. این سه الگو در همه جا برای توانمندسازی برنامه های هوشمند مورد استفاده قرار می گیرند. در این مطلب موارد مهم استفاده این الگو هارا در الگوریتم های یادگیری ماشین به طور رایج بررسی کردیم.

تالیف:
فروشگاه اینترنتی آ.اس.پ (اقتباس از مقاله‌ای از Ibm)
در صورت استفاده از این مقاله، نام و آدرس فروشگاه اینترنتی آ.اس.پ را به عنوان منبع ذکر کنید.