یادگیری ماشین یک فناوری در حال رشد است که رایانه ها را قادر می سازد تا به طور خودکار از داده های گذشته یاد بگیرند. یادگیری ماشین از الگوریتم های مختلفی برای ساخت مدل های ریاضی و پیشبینی با استفاده از داده ها یا اطلاعات تاریخی استفاده می کند. در حال حاضر، از آن برای کارهای مختلفی مانند تشخیص تصویر، تشخیص گفتار، فیلتر ایمیل، برچسب گذاری خودکار فیس بوک، سیستم توصیه کننده و بسیاری موارد دیگر استفاده می شود.
این آموزش یادگیری ماشین به شما مقدمه ای از یادگیری ماشین به همراه طیف وسیعی از تکنیک های یادگیری ماشین مانند یادگیری تحت نظارت، بدون نظارت و تقویت آموزش می دهد. و در مورد مدل های رگرسیون و طبقهبندی، روش های خوشهبندی و مدلهای متوالی مختلف خواهید آموخت.
در دنیای واقعی، ما توسط انسان هایی احاطه شدهایم که می توانند همه چیز را از تجربیات خود با توانایی یادگیری خود بیاموزند، و ما رایانهها یا ماشینهایی داریم که طبق دستورات ما کار میکنند. اما آیا یک ماشین نیز می تواند مانند یک انسان از تجربیات یا داده های گذشته یاد بگیرد؟ بنابراین در اینجا نقش یادگیری ماشین مطرح می شود.
یادگیری ماشین به عنوان زیرمجموعهای از هوش مصنوعی گفته میشود که عمدتاً با توسعه الگوریتمهایی سروکار دارد که به رایانه اجازه میدهد به تنهایی از دادهها و تجربیات گذشته بیاموزد. اصطلاح یادگیری ماشین اولین بار توسط آرتور ساموئل در سال 1959 معرفی شد.
الگوریتمهای یادگیری ماشین با کمک نمونه دادههای تاریخی که به دادههای آموزشی معروف هستند، یک مدل ریاضی میسازند که به پیشبینی یا تصمیمگیری بدون برنامهریزی صریح کمک میکند. یادگیری ماشین علم کامپیوتر و آمار را برای ایجاد مدلهای پیشبینیکننده گرد هم میآورد. یادگیری ماشین الگوریتم هایی را می سازد که از داده های تاریخی یاد می گیرند یا استفاده می کنند. هرچه اطلاعات بیشتری ارائه کنیم، عملکرد بالاتری خواهد داشت.
یک سیستم یادگیری ماشین از دادههای تاریخی یاد میگیرد، مدلهای پیشبینی را میسازد، و هر زمان که دادههای جدیدی دریافت میکند، خروجی آن را پیشبینی میکند. دقت خروجی پیشبینیشده به مقدار داده بستگی دارد، زیرا حجم عظیم داده به ساخت مدل بهتر کمک میکند که خروجی را با دقت بیشتری پیشبینی کند.
فرض کنید ما یک مشکل پیچیده داریم، جایی که باید پیشبینیهایی انجام دهیم، بنابراین به جای نوشتن کد برای آن، فقط باید دادهها را به الگوریتمهای عمومی تغذیه کنیم و با کمک این الگوریتمها، ماشین منطق را مطابق با آن میسازد. داده ها و پیش بینی خروجی یادگیری ماشین طرز تفکر ما را در مورد مشکل تغییر داده است.
دیاگرام زیر کار الگوریتم یادگیری ماشین را توضیح می دهد:
نیاز به یادگیری ماشین روز به روز در حال افزایش است. دلیل نیاز به یادگیری ماشین این است که قادر به انجام وظایفی است که برای یک فرد بسیار پیچیده است که نمی تواند مستقیماً اجرا شود. به عنوان یک انسان، ما محدودیتهایی داریم زیرا نمیتوانیم به صورت دستی به حجم عظیمی از دادهها دسترسی پیدا کنیم، بنابراین برای این کار، به برخی از سیستمهای کامپیوتری نیاز داریم و اینجاست که یادگیری ماشین میآید تا کارها را برای ما آسان کند.
ما میتوانیم الگوریتمهای یادگیری ماشین را با ارائه مقدار زیادی داده به آنها آموزش دهیم و به آنها اجازه دهیم دادهها را کاوش کنند، مدلها را بسازند و خروجی مورد نیاز را به طور خودکار پیشبینی کنند. عملکرد الگوریتم یادگیری ماشین به مقدار داده بستگی دارد و می توان آن را با تابع هزینه تعیین کرد. با کمک یادگیری ماشین، می توانیم در زمان و هزینه صرفه جویی کنیم.
اهمیت یادگیری ماشین را می توان به راحتی با موارد استفاده آن درک کرد، در حال حاضر، یادگیری ماشین در خودروهای خودران، تشخیص کلاهبرداری سایبری، تشخیص چهره و پیشنهاد دوست توسط فیس بوک و غیره استفاده می شود. شرکت های برتر مختلف مانند نتفلیکس و آمازون از مدلهای یادگیری ماشین که از حجم وسیعی از دادهها ساخته می شوند برای تجزیه و تحلیل علاقه کاربر استفاده میکنند و بر اساس آن محصول را توصیه میکنند.
در زیر چند نکته کلیدی وجود دارد که اهمیت یادگیری ماشینی را نشان می دهد:
یادگیری ماشینی را می توان به سه نوع طبقه بندی کرد:
یادگیری نظارت شده نوعی روش یادگیری ماشین است که در آن نمونه دادههای برچسبگذاری شده را در اختیار سیستم یادگیری ماشین قرار میدهیم تا آن را آموزش دهیم و بر این اساس، خروجی را پیشبینی میکند.
سیستم با استفاده از داده های برچسب گذاری شده مدلی را برای درک مجموعه داده ها و یادگیری در مورد هر داده ایجاد می کند، پس از انجام آموزش و پردازش، مدل را با ارائه یک داده نمونه آزمایش می کنیم تا بررسی کنیم که آیا خروجی دقیق را پیش بینی می کند یا خیر.
هدف از یادگیری نظارت شده ترسیم داده های ورودی با داده های خروجی است. یادگیری تحت نظارت مبتنی بر نظارت است و مانند زمانی است که دانش آموز زیر نظر معلم مطالبی را یاد می گیرد.
یادگیری تحت نظارت را می توان بیشتر در دو دسته الگوریتم دسته بندی کرد:
یادگیری بدون نظارت یک روش یادگیری است که در آن ماشین بدون هیچ نظارتی یاد می گیرد.
آموزش با مجموعه داده هایی که برچسب، طبقه بندی یا دسته بندی نشده اند به ماشین ارائه می شود و الگوریتم باید بدون هیچ نظارتی بر روی آن داده ها عمل کند. هدف از یادگیری بدون نظارت، بازسازی داده های ورودی به ویژگی های جدید یا گروهی از اشیاء با الگوهای مشابه است.
یادگیری تقویتی یک روش یادگیری مبتنی بر بازخورد است که در آن یک عامل یادگیری برای هر عمل درست یک پاداش و برای هر عمل اشتباه یک جریمه دریافت می کند. عامل به طور خودکار با این بازخوردها یاد می گیرد و عملکرد خود را بهبود می بخشد. در یادگیری تقویتی، عامل با محیط تعامل می کند و آن را کاوش می کند. هدف یک نماینده کسب بیشترین پاداش است و از این رو، عملکرد خود را بهبود می بخشد.
در سال های گذشته (حدود 40 تا 50 سال)، یادگیری ماشین علمی تخیلی بود، اما امروزه بخشی از زندگی روزمره ما است. یادگیری ماشین زندگی روزمره ما را از ماشین های خودران گرفته تا دستیار مجازی آمازون "الکسا" آسان می کند. با این حال، ایده یادگیری ماشین بسیار قدیمی است و سابقه طولانی دارد. در زیر برخی از نقاط عطف ارائه شده است که در تاریخچه یادگیری ماشین رخ داده است:
1940: در سال 1940، اولین کامپیوتر دستی، اختراع شد که اولین کامپیوتر همه منظوره الکترونیکی بود. پس از آن کامپیوتر برنامه های ذخیره شده مانند EDSAC در سال 1949 و EDVAC در سال 1951 اختراع شدند.
ماشین آلات کامپیوتری و هوشمند:
هوش ماشینی در بازی ها:
:اولین هوش مصنوعی
یادگیری ماشین از تئوری تا واقعیت:
یادگیری ماشینی در قرن بیست و یکم:
اکنون یادگیری ماشین پیشرفت بزرگی در تحقیقات خود داشته است و در همه جای اطراف ما وجود دارد، مانند اتومبیل های خودران، آمازون الکسا، Catboats، سیستم توصیه کننده و بسیاری موارد دیگر. این شامل یادگیری تحت نظارت، بدون نظارت و تقویتی با خوشه بندی، طبقه بندی، درخت تصمیم، الگوریتم های SVM و غیره است.
مدلهای یادگیری ماشین مدرن را میتوان برای پیشبینیهای مختلف از جمله پیشبینی آبوهوا، پیشبینی بیماری، تحلیل بازار سهام و غیره استفاده کرد.
قبل از یادگیری ماشین، باید دانش اولیه زیر را داشته باشید تا بتوانید مفاهیم یادگیری ماشین را به راحتی درک کنید:
توی این مقاله می خوایم از تفاوت یادگیری ماشین و یادگیری عمیق بگیم.
فاطمه روانبخش 1,149 بیشتر بخوانیدتوی این مطلب می خوام به طور کامل در مورد مسیر و روند یادگیری ML یا ماشین لرنینگ از صفر تا حرفه ای صحبت کنم و مسیر راه رو بهتون نشون بدم!
محمد کاظمی 5,662 بیشتر بخوانیدیادگیری ماشینی در حال حاضر یک موضوع داغ است و همه سعی می کنند هر اطلاعاتی را در مورد این موضوع بدست آورند. مباحث بسیار زیادی ذر یادگیری ماشین وجود دارد. در این پست ، من به مهمترین مباحث مربوط …
محمد کاظمی 1,128 بیشتر بخوانید