مدل های یادگیری ماشین

همانطور که در مطلب قبلی خواندیم مخفف ML، کوتاه شده عبارت Machine Learning و به معنای یادگیری ماشین است. یادگیری ماشین یک زیرشاخه از هوش مصنوعی است که برای انجام وظایف پیچیده، به نحوی مشابه با عملکرد انسان، استفاده می‌شود. مفهوم Machine Learning، به توانایی یک سیستم (ماشین) برای تقلید رفتار هوشمندانه انسان اشاره دارد. در دهه 1950، آرتور ساموئل (پیشگام هوش مصنوعی) تعریف اصطلاح ML را به صورت “زمینه‌ای که به کامپیوترها توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد” ارائه کرد. اکنون می خواهیم مدل های یادگیری ماشین را بررسی کرده و درمورد هر کدام توضیحات مختصری را ارائه دهیم.

مدل های یادگیری ماشین به سه دسته اصلی تقسیم می شوند.

بیشتر بخوانید: کاربرد پینگ چیست و چگونه تست پینگ انجام می شود؟

یادگیری ماشین نظارت شده

یادگیری نظارت شده، همچنین به عنوان یکی از مدل های یادگیری ماشین نظارت شده شناخته می شود، با استفاده از مجموعه داده های برچسب گذاری شده برای آموزش انواع الگوریتم های یادگیری ماشین برای طبقه بندی داده ها یا پیش بینی دقیق نتایج تعریف می شود. همانطور که داده های ورودی به مدل وارد می شود، مدل داده های خود را تا زمانی که به طور مناسب برازش داده شود تنظیم می کند. این به عنوان بخشی از فرآیند اعتبار سنجی متقاطع برای اطمینان از اینکه مدل از برازش بیش از حد یا عدم تناسب اجتناب می کند، رخ می دهد. یادگیری تحت نظارت یکی از مدل های یادگیری ماشین است که به سازمان ها کمک می کند تا انواع مشکلات دنیای واقعی را در مقیاسی حل کنند، مانند طبقه بندی هرزنامه ها در یک پوشه جداگانه از صندوق ورودی شما. برخی از روش‌های مورد استفاده در یادگیری نظارت شده عبارتند از: شبکه‌های عصبی، رگرسیون خطی، رگرسیون لجستیک، تصادفی و ماشین بردار پشتیبان (SVM).

یادگیری ماشین بدون نظارت

یادگیری بدون نظارت، همچنین به عنوان یکی از مدل های یادگیری ماشین بدون نظارت شناخته می شود، از انواع الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و خوشه بندی مجموعه داده های بدون برچسب (زیر مجموعه هایی به نام خوشه ها) استفاده می کند. این الگوریتم ها الگوهای پنهان یا گروه بندی داده ها را بدون نیاز به دخالت انسان کشف می کنند. توانایی این روش در کشف شباهت‌ها و تفاوت‌ها در اطلاعات، آن را برای تجزیه و تحلیل داده‌های اکتشافی، استراتژی‌های فروش متقابل، تقسیم‌بندی مشتری، و تشخیص تصویر و الگو ایده‌آل می‌کند. همچنین برای کاهش تعداد ویژگی‌های یک مدل از طریق فرآیند کاهش ابعاد استفاده می‌شود. تجزیه و تحلیل مؤلفه اصلی (PCA) و تجزیه ارزش منفرد (SVD) دو رویکرد رایج برای این کار هستند. سایر الگوریتم‌های مورد استفاده در یادگیری بدون نظارت شامل شبکه‌های عصبی، خوشه‌بندی k-means و روش‌های خوشه‌بندی احتمالی است.

یادگیری ماشین نیمه نظارتی

یادگیری نیمه‌نظارتی یکی از مدل های یادگیری ماشین است که به عنوان واسطه‌ای بین یادگیری تحت نظارت و بدون نظارت عمل می کند. در طول آموزش، از یک مجموعه داده برچسب‌دار کوچک‌تر برای هدایت طبقه‌بندی و استخراج ویژگی از یک مجموعه داده بزرگ‌تر و بدون برچسب استفاده می‌کند. یادگیری نیمه نظارتی می تواند مشکل نداشتن داده های برچسب گذاری شده کافی برای الگوریتم یادگیری نظارت شده را حل کند. همچنین اگر برچسب گذاری داده های کافی بسیار پرهزینه باشد، کمک می کند.

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.