(function (s, e, n, d, er) { s['Sender'] = er; s[er] = s[er] || function () { (s[er].q = s[er].q || []).push(arguments) }, s[er].l = 1 * new Date(); var a = e.createElement(n), m = e.getElementsByTagName(n)[0]; a.async = 1; a.src = d; m.parentNode.insertBefore(a, m) })(window, document, 'script', 'https://cdn.sender.net/accounts_resources/universal.js', 'sender'); sender('986212f6399684')
معرفی الگوریتم های ماشین لرنینگ

  این مقاله را میتوانید در مدت زمان 3 دقیقه مطالعه کنید   منتشر شده در تاریخ: مرداد ۳۰ام, ۱۳۹۹   آخرین بروزرسانی: آذر ۱۲ام, ۱۴۰۱


یکی از تفاوت‌های اصلی بین انسان و کامپیوتر این است که انسان‌ها از تجربیات گذشته یاد می‌گیرند، یا حداقل سعی می‌کنند که یاد بگیرند! اما باید به رایانه‌ها یا دستگاه‌ها گفته شود که چه کاری انجام شود و آن‌ها را برنامه ریزی کرد.

رایانه‌ها دستگاه‌های منطقی دقیق و دارای عقل سلیم هستند. این بدان معناست که اگر ما می‌خواهیم آن‌ها کاری انجام دهند، باید دستورالعمل‌های دقیق و گام به گام را در مورد آنچه باید انجام دهند و چگونگی انجام ارائه دهیم.

بنابراین ما اسکریپت‌ها و رایانه‌های برنامه ریزی شده را برای پیروی از دستورالعمل‌ها می‌نویسیم. این جایی است که ماشین لرنینگ وارد می‌شود. مفهوم یادگیری ماشین متشکل می‌شود از ایجاد توانایی یادگیری از داده‌های تجربی قبلی موجود در رایانه‌ها برای استفاده در موقعیت مشابه ولی جدید.

 

ماشین لرنینگ چیست؟

یادگیری ماشین یا ماشین لرنینگ، کاربردی از هوش مصنوعی (AI) است که به سیستم‌ها امکان یادگیری و پیشرفت خودکار از تجربه را بدون برنامه ریزی صریح فراهم می‌کند. یادگیری ماشینی بر توسعه برنامه‌های رایانه‌ای است که می‌توانند به داده‌ها دسترسی پیدا کرده و از آن برای یادگیری خود استفاده کنند.

فرایند یادگیری با مشاهدات یا داده‌ها مانند مثال‌ها، تجربه مستقیم یا دستورالعمل‌ها شروع می‌شود تا به دنبال الگوهایی در داده‌ها و تصمیم گیری‌های بهتری در آینده بر اساس مثالهایی که ارائه می‌دهیم باشد.

هدف اصلی این است که رایانه‌ها بتوانند بطور خودکار بدون مداخله یا کمک انسان یاد بگیرند و بر این اساس اقدامات را تنظیم کنند.

 

الگوریتم های یادگیری ماشین

 

 

الگوریتم های یادگیری ماشین

 

الگوریتم‌های یادگیری ماشین معمولا به دو صورت نظارت شده و نظارت نشده دسته‌بندی می‌شوند. ولی در کنار آن‌ها دو الگوریتم نیمه و تقویت شده به‌وجود آمده است که درباره هریک توضیح مختصری داده شده است.

 

الگوریتم‌های نظارت شده‌ی یادگیری ماشین

می‌تواند چیزی که از گذشته یاد گرفته شده را به وسیله‌ی نمونه‌های دارای لیبل بر روی داده‌های جدید اعمال کند تا رویداد‌های پیش‌رو را پیش‌بینی‌ کند.

با شروع از تحلیل یک مجموعه‌ داده‌‌های آموزشی شناخته‌شده، الگوریتم یادگیری یک عملکرد استنباطی ایجاد می‌کند تا مقادیر خروجی را پیش‌بینی کند

الگوریتم‌های نظارت‌ نشده‌ی یادگیری ماشین

در مقابل، الگوریتم‌های نظارت‌نشده‌ی یادگیری ماشین زمانی به کار می‌روند که اطلاعات موجود برای آموزش، طبقه‌بندی‌شده و یا دارای لیبل نباشند.

یادگیری نظارت‌نشده به مطالعه‌ی چگونگی این‌که سیستم‌ها می‌توانند یک ساختار پنهان را از داده‌های بدون لیبل، با استفاده از یک عملکرد استنباط کنند می‌پردازد

 

الگوریتم نیمه کاره یادگیری ماشین

الگوریتم‌های یادگیری نیمه، تحت نظارت ماشین در واقع بین یادگیری نظارت شده و نظارت نشده وجود دارد، زیرا آن‌ها از هر دو داده‌ی دارای برچسب و بدون برچسب برای آموزش استفاده می کنند – به طور معمول مقدار کمی از داده های برچسب خورده و مقدار زیادی از داده های بدون برچسب وجود دارد.

سیستم‌هایی که از این روش استفاده می‌کنند، می‌توانند دقت یادگیری را به میزان قابل توجهی بهبود ببخشند.

 

الگوریتم یادگیری ماشین تقویتی

الگوریتم یادگیری دستگاه تقویت کننده یک روش یادگیری است که با تولید اقدامات و کشف خطاها یا نقاط قوت با محیط خود در تعامل است. جستجوی آزمایش و خطا و پاداش معوق مهمترین ویژگی‌های یادگیری تقویتی هستند. این روش به ماشین ها و نمایندگان نرم افزار اجازه می‌دهد تا به طور خودکار رفتار ایده آل را در یک زمینه خاص به منظور به حداکثر رساندن عملکرد خود تعیین کنند.

 

 

اگر به توضیح بیشتر درباره‌ی الگوریتم‌های گفته شده و مثال‌های آن‌ها احتیاج دارید

مقاله انواع یادگیری ماشین همراه با مثال را مطالعه کنید

 

 

سیستم های یادگیری ماشین

سیستم های یادگیری ماشین ها از سه بخش اصلی تشکیل شده است که عبارتند از:
مدل: سیستمی که پیش‌بینی یا شناسایی می‌کند.
پارامترها: سیگنال‌ها یا عوامل استفاده شده توسط مدل برای تصمیم گیری آن.
یادگیرنده: سیستمی که پارامترها را تنظیم می‌کند و با نگاه به تفاوت‌های پیش بینی‌ها در مقابل نتایج واقعی، مدل را تغییر می دهد.

 

ساخت مدل

همه چیز با مدل شروع می شود ،مدل پیش بینی ای است که سیستم یادگیری ماشین از آن استفاده می‌کند. این مدل ابتدا باید توسط یک انسان به سیستم ارائه شود و برای آن مثال زده شود، حداقل با یک مثال خاص توضیح داده شود.

مثلا: معلم(فردی که اطلاعات مورد نیاز را به ماشین می‌اموزد) به الگوی یادگیری ماشین می‌گوید که انتظار دارد برای پنج ساعت مطالعه به نمره کامل آزمون برسد.

 

ارائه ورودی اولیه

اکنون که مدل تنظیم شده است، اطلاعات واقعی زندگی وارد می‌شود.

مثلا: معلم ما ممکن است چهار نمره آزمون از دانش آموزان مختلف را به همراه ساعت‌هایی که هر یک از آنها مورد مطالعه قرار می گیرد وارد کند.

 

اگر از علاقه‌مندان به این مبحث هستید، مقالات زیر برایتان جذاب خواهد بود.

چهار کاربرد یادگیری ماشین در بازاریابی دیجیتال که باید بدانید

گذشته ،حال و آینده ی ماشین لرنینگ

 

یادگیری ماشین

داده هایی از این قبیل اغلب به عنوان “مجموعه یادگیری” یا “داده‌های آموزشی” برای یک سیستم یادگیری ماشینی گفته می‌شود ، زیرا توسط یادگیرنده در سیستم یادگیری ماشین برای آموزش خود در ایجاد یک مدل بهتر استفاده می‌شود. یادگیرنده به نمرات نگاه می‌کند و می‌بیند که تا چه اندازه از مدل در نظر گرفته شده فاصله دارد. سپس محاسبات بیشتری برای تنظیم پیش فرض های اولیه استفاده می‌کند.

دوباره پیش بینی جدیدی ایجاد می‌کند، بنابراین انتظار می‌رود زمان بیشتری را صرف کسب نمره prefect کند.

 

شستشو و تکرار

در این مرحله سیستم دوباره اجرا می‌شود، این بار با مجموعه‌ای از امتیازات جدید. نمرات واقعی با الگوی تجدید نظر شده توسط یادگیرنده مقایسه می‌شود. بنابراین، یادگیرنده یک بار دیگر پارامترها را برای تغییر شکل مدل تنظیم می‌کند.

مجموعه دیگری از دیتاهای تست وارد می‌شود. مقایسه دوباره اتفاق می افتد. و یادگیرنده مدل را تنظیم می کند و این اتفاق بارها تکرار می‌شود.

همانطور که در بالا نیز ذکر شد، ماشین لرنر بیش از هر چیز دیگری نیاز به یادگیری و تکرار دارد، بنابراین مشاهده و توجه به این موضوع از اهمیت بالایی برخوردار است.

 

نتیجه گیری

یادگیری ماشین یک زیرشاخه معروف در هوش مصنوعی است که به ماشین‌ها یا کامپیوترها کمک می‌کند که بتوانند بدون برنامه‌ریزی مشخص و با الگو گرفتن از رفتار خودشان تصمیم‌گیری و عمل کنند. ماشین لرنینگ در بخش‌های مختلف زندگی مردم حضور دارد و سرویس‌های مختلفی به کمک این دانش ساخته می‌شوند. یافتن تخصص در زمینه‌ی ماشین لرنینگ طرفداران فراوانی در دنیای علوم کامپیوتر دارد، زیرا حوزه‌های شغلی فراوانی در دنیا نیازمند متخصصانی در زمینه ماشین لرنینگ است.

ما در این مقاله انواع الگوریتم‌های یادگیری و مراحل اصلی ماشین لرنینگ را نام بردیم و توضیح مختصری درباره آن‌ها دادیم ولی دنیای یادگیری ماشین بسیار وسیع است و هر بخش از آن جذابیت‌های مختلفی دارد. راستی اگر شما هم قصد دارید به دنیای جذاب هوش مصنوعی و یادگیری ماشین وارد شوید. میتوانید از دوره های آموزش پایتون آکادمی آمانج به بهترین شکل استفاده کنید.

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

دوره تخصصی یادگیری ماشین

در یک دوره آموزشی متخصص یادگیری ماشین شوید.

از یادگیری ماشین می توان در صنایع مختلف با اهداف مختلف استفاده کرد. ماشین لرنینگ باعث افزایش بهره وری در صنایع می شود، به بازاریابی محصول کمک کرده و پیش بینی دقیق فروش را ساده تر می کند. پیش بینی های دقیق پزشکی و تشخیص ها را تسهیل می کند. دقت در قوانین و مدل های مالی را بهبود می بخشد. به سیستم های توصیه گر، الگوریتم های فرا ابتکاری و حرکت ربات ها کمک خواهد کرد. در بحث فروش میتواند محصولات مناسب تری را به مشتری پیشنهاد دهد( با کمک به تقسیم بندی بهتر و پیش بینی دقیق طول عمر محصولات ) و ...
استفاده از سیستم های ماشین لرنینگ می تواند تا حد زیادی حجم کاری ما را کاهش دهد. به خصوص کارهایی که نیاز به آنالیز حجم عظیمی از داده و تصمیم گیری بر اساس این داده ها را دارد بسیار تسهیل می کند. سیستم های مبتنی بر ماشین لرنینگ ظرفیت انجام کار صد نفر را همزمان دارد و تنها به کمک ماشین ها می توان بدون صرف وقت و انرژی زیاد، کارهای سنگین را انجام داده و در عین حال پول و درآمد بیشتری کسب کرد. ماشین لرنینگ با خودکارسازی فرایندها و صرفه جویی در زمان، به ما کمک می کند تا بتوانیم زمان و انرژی خود را بر تصمیم گیری های پیچیده تری متمرکز کنیم.
ادامه...

شاید به این مطالب نیز علاقه مند باشید.

معایب و خطرات هوش مصنوعی و ماشین لرنینگ چیست

نیمه‌ تاریک هوش مصنوعی و ماشین لرنینگ

«ربات‌ها می‌آیند و جای انسان را می‌گیرند.» «هوش مصنوعی مشاغل زیادی را ازبین خواهد برد و انسان‌ها را بیکار خواهد کرد.» «تروریست‌ها از هوش مصنوعی به‌عنوان سلاح استفاده خواهند کرد.»…

data mining , داده کاوی , پایگاه داده ، استخراج داده

داده کاوی و کمک به پیشرفت مشاغل

امروزه ارائه دهندگان خدمات مختلف اطلاعات بسیاری از مشتریان خود در دسترس دارند. این اطلاعات را چطور به دست آورده اند؟ از طریق داده کاوی و هوش تجاری. مدیران فروشگاه‌ها…

کاربرد ماشین لرنینگ با پایتون

۱۲ کاربر‌د شگفت‌انگیز یادگیری ماشین با پایتون

پایتون به عنوان زبان ارجح برای آموزش و یادگیری  ML (یادگیری ماشین) مورد استفاده قرار می‌گیرد. اساسا می‌شود ادعا کرد که هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ به زبان…

0 0 رای
امتیازدهی به مقاله
دنبال کردن
با خبر کردن از
guest
1 دیدگاه
قدیمی ترین
جدیدترین بیشترین بازخورد
بازخورد داخلی
دیدن همه نظرات
بهرام
بهرام
1 سال گذشته

سلام، روز بخیر
ممنونم بابت مطالب ارائه شده در صفحه، بسیار عالی بودند.
بنده روی یک مقاله کار میکنم که باید تعدادی شاخص کلیدی در مسئله انتخاب تامین کننده رو شناسایی کنم و در ۴ بخش چابک، سبز، تاب آور و ناب تقسیم بندی کنم. شاخص های بسیار زیادی توی مرور ادبیات پیداکردم که هرکدام به نحوی مهم و تاثیر گذار هستند. سوال بنده اینه که اگر بخوام از بین این شاخص ها تعدادی کمی رو انتخاب و دسته بندی بکنم و به عنوان شاخص های اصلی در مسئله استفاده کنم، شما کدوم الگوریتم ماشین لرنینگ رو توصیه میکنید برای انجام این کار؟؟

تاییدیه ها

تهران - ستارخان، خیابان کوثر دوم، پلاک ۱۰، واحد ۳

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

دوره تخصصی یادگیری ماشین

در یک دوره آموزشی متخصص یادگیری ماشین شوید.

از یادگیری ماشین می توان در صنایع مختلف با اهداف مختلف استفاده کرد. ماشین لرنینگ باعث افزایش بهره وری در صنایع می شود، به بازاریابی محصول کمک کرده و پیش بینی دقیق فروش را ساده تر می کند. پیش بینی های دقیق پزشکی و تشخیص ها را تسهیل می کند. دقت در قوانین و مدل های مالی را بهبود می بخشد. به سیستم های توصیه گر، الگوریتم های فرا ابتکاری و حرکت ربات ها کمک خواهد کرد. در بحث فروش میتواند محصولات مناسب تری را به مشتری پیشنهاد دهد( با کمک به تقسیم بندی بهتر و پیش بینی دقیق طول عمر محصولات ) و ...
استفاده از سیستم های ماشین لرنینگ می تواند تا حد زیادی حجم کاری ما را کاهش دهد. به خصوص کارهایی که نیاز به آنالیز حجم عظیمی از داده و تصمیم گیری بر اساس این داده ها را دارد بسیار تسهیل می کند. سیستم های مبتنی بر ماشین لرنینگ ظرفیت انجام کار صد نفر را همزمان دارد و تنها به کمک ماشین ها می توان بدون صرف وقت و انرژی زیاد، کارهای سنگین را انجام داده و در عین حال پول و درآمد بیشتری کسب کرد. ماشین لرنینگ با خودکارسازی فرایندها و صرفه جویی در زمان، به ما کمک می کند تا بتوانیم زمان و انرژی خود را بر تصمیم گیری های پیچیده تری متمرکز کنیم.
ادامه...