ماشین لرنینگ به زبان ساده (یادگیری ماشین) + هر چیزی که باید ازش بدونین

از یادگیری ماشین میشه برای بهبود مراکز داده ای یا دیتاسنترها استفاده کرد. هوش مصنوعی (AI) همه جا حضور داره، ممکنه همین حالا در حال استفاده از اون باشین و خودتون اطلاعی نداشته باشین. یکی از محبوب ترین کاربرد های AI در زمینهی توسعهی نرم افزار سفارشی، یادگیری ماشین (ML) هست. الگوریتم آموزش دیدهی حاصل، نوعی مدل یادگیری ماشین هست. آموزش الگوریتم فرآیندی تکراریست. تو این آموزش سعی کردم به صورت خیلی خلاصه درباره ماشین لرنینگ برای شما بگم. تو این مطلب از دنیای فناوری قرار هست درباره این موضوع بیشتر برای شما بگم. مرحلهی آخر، استفاده از مدل با داده های جدید و در بهترین حالت بهبود دقت و کارایی اون به مرور زمان هست. این الگوریتم از طبقه بندی برای تخمین احتمال وجود نقطه ای داده ای در یک گروه استفاده میکنه. در برخی نمونه ها، داده های یادگیری از نوع برچسب دار هستن تا ویژگی ها و طبقه بندی هایی رو برای مدل فراخوانی کنن. الگوریتم های رگرسیون: رگرسیون خطی و منطقی نمونه هایی از الگوریتم های رگرسیون به کار رفته برای درک روابط بین داده ها هستن. بلکه مدل یادگیری ماشین چگونگی تفکیک بین عناصر در مجموعهی انبوهی از داده ها رو فرا میگیره.

در مقابل، الگوریتمهای یادگیری بدون نظارت با شناسایی الگوهای داده ای تلاش میکنن شباهت هایی رم بین آنها پیدا کنن. درخت های تصمیم: درخت های تصمیم از داده های طبقه بندی شده برای ارائهی پیشنهاد بر اساس مجموعهی قوانین تصمیم استفاده میکنن. شبکه های عصبی: شبکهی عصبی، الگوریتمی هست که شبکه ای لایه بندی شده از محاسبات شامل لایهی ورودی رو تعریف میکنه. برای مثال، مدل یادگیری ماشینی که برای شناسایی اسپم طراحی شده، پیام های ایمیل رو به عنوان ورودی دریافت میکنه درحالیکه مدل یادگیری ماشین که هدایت ربات جاروبرقی رو بر عهده داره داده های مربوط به تعامل واقعی با اثاث منزل یا اشیای جدید داخل اتاق رو به عنوان ورودی دریافت میکنه. پیش بینی های یادگیری ماشین میتونه شامل پاسخ به پرسش هایی مثل تشخیص یه میوه در تصویر، تشخیص افراد در حال عبور از خیابان، تشخیص گفتار دقیق برای تولید کپشن های ویدئوی یوتیوب یا تفکیک ایمیل و اسپم باشه. فرایند آماده سازی شامل تصادفی سازی و بررسی انحراف هاییست که بر یادگیری تأثیر میذارن. از داده های برچسب دار برای آموزش جزئی مدل یادگیری ماشین استفاده میشه سپس از این مدل برای برچسب گذاری داده های بدون برچسب استفاده میشه به این فرایند شبه برچسب گذاری میگن.

از رگرسیون منطقی هم زمانی استفاده میشه که متغیر وابسته ماهیتی دودویی داشته باشه. از رگرسیون خطی برای پیش بینی مقدار متغیر وابسته بر اساس مقدار متغیر مستقل استفاده میشه. بر اساس تعریفی دقیق، یادگیری ماشین شاخه ای از هوش مصنوعی (AI) متمرکز بر ساخت برنامه هاییست که از داده های یاد میگیرن و دقت آنها به مرور زمان و بدون نیاز به برنامه نویس افزایش پیدا میکنه. این مرحله شامل اجرای متغیرها در الگوریتم، مقایسهی خروجی با نتایج قابل انتظار، تنظیم وزن ها و انحراف های داخل الگوریتم و راه اندازی مجدد متغیرهاست تا زمانیکه الگوریتم نتیجهی صحیح رو بازگرداند. داده های دیگه از نوع بدون برچسب هستن در این شرایط مدل باید برخی ویژگی ها رو برای تخصیص طبقه بندی ها استخراج کنه، در هر دو نمونه داده های یادگیری باید به خوبی آماده بشن. دسته بندی متمرکز بر شناسایی گروه هایی با رکورد های مشابه و برچسب گذاری رکوردها بر اساس گروهیست که به اون تعلق دارن.

نمونه ای از این روش سیستم دسته بندی Airbnb یا Google News هست که امکان گروه بندی استوری هایی با موضوع مشابه رو فراهم میکنه. کامپیوترها، نرمافزارها و دستگاه های یادگیری ماشین عملکردی مشابه مغز انسان دارن و از طریق شناخت وظایف رو انجام میدن. الگوریتم های مبتنی بر نمونه: مثال خوبی از الگوریتم های مبتنی بر نمونه، الگوریتم K نزدیک ترین همسایه یا الگوریتم k-nn هست. داده های آموزشی به مجموعهی داده ای گفته میشه که نمایندهی مدل یادگیری ماشین هست و برای حل مسائلی مشخص به کار میره. هر چقدر الگوریتمی بهتر باشه، تصمیم ها و پیشبینی های خروجی دقیق تر خواهند بود. الگوریتم های دسته بندی: دسته ها رو همان گروه ها تصور کنین. سیستم یادگیری نظارت شده با وجود تعداد کافی نمونه ها میتونه دسته های پیکسل ها و شکل های مرتبط با هر عدد رو شناسایی کنه و اعداد دست نویس رو شناسایی کنه. برای مثال، درخت تصمیمی که شرط بندی روی برد یک اسب رو توصیه کنه از این دست به حساب میاد. برای مثال دیتاست Open Images گوگل دارای تقریبا ۹ میلیون تصویر هست یا YouTube-8M منبعی از ویدئو های برچسب دار هست که به هفت میلیون ویدئوی برچسب دار متصل هستن و ImageNet هم یکی از پایگاه داده های از این نوع با ۱۴ میلیون تصویر دسته بندی شده هست.

اگر شما این مقاله را تحسین می کنید، مایلید اطلاعات بیشتری در مورد سایت بی درایو بدست آورید به سایت ما مراجعه کنید.