راهنمای فهمیدن یادگیری ماشین برای مبتدیان

یادگیری ماشین چیست؟

یادگیری ماشین، شاخه‌ای از هوش مصنوعی است که با کامپیوتر و محاسباتش سروکار دارد. سیستم کامپیوتری در یادگیری ماشین، داده‌های خام را می‌گیرد و محاسباتی را بر اساس آن‌ها انجام می‌دهد. تفاوت بین سیستم‌های سنتی کامپیوتر و یادگیری ماشین این است که توسعه‌دهنده نمی‌تواند کدهای سطح بالا را با سیستم‌های سنتی وارد کند که همین وجه تمایز بین این دو سیستم‌هاست. از این‌رو این محاسبات خیلی بی‌نقص و دقیق نیستند. منتها در مدل یادگیری ماشین، سیستم‌های دقیق با داده‌های سطح بالا یکی شده‌اند تا محاسبات بسیار جدی انجام دهند که با هوش بشر مطابقت داشته باشد. اصلا همین می‌شود که این نوع از یادگیری ماشین می‌تواند پیش‌بینی‌های فوق‌العاده‌ای انجام دهد. یادگیری ماشین در دو دسته‌بندی خاص قرار می‌گیرد؛ یادگیری ماشین نظارت‌شده و یادگیری ماشین بدون نظارت. البته یک یادگیری ماشین دیگری هم به نام یادگیری ماشین نیمه‌نظارتی وجود دارد.

Supervised ML (یادگیری ماشین نظارت‌شده)

در این نوع از یادگیری ماشین، با کمک نمونه‌هایی به کامپیوتر گفته می‌شود که باید چه کارهایی انجام دهد و چگونه رفتار کند. در این‌جا حجم زیادی از داده‌های برچسب‌شده و ساختارمند را به کامپیوتر می دهند. اما یکی از ایرادات این سیستم این است که کامپیوتر برای یادگیری و متبحر شدن در یک فعالیت خاص، نیاز دارد حجم بالای از داده‌ها را دریافت کند که داده‌ها را باید با الگوریتم‌های متنوعی وارد سیستم کنیم و همین که وارد سیستم کامپیوتر می‌شوند، داده‌ها و یادگیری آن وظیفه خاص هم شروع و تکمیل می‌شود و می‌توانید برای گرفتن جواب‌های تازه و تروتمیز، داده‌های جدیدی به سیستم بدهید. الگوریتم logistic regression (رگرسیون لجستیک)، الگوریتم یادگیری ماشین K- نزدیک‌ترین همسایه، الگوریتم Polynomial regression (رگرسیون چندجمله‌ای)، Naïve Bayes (بیز ساده)، الگوریتم Random Forest (جنگل تصادفی) و غیره هم از انواع الگوریتم‌های متفاوت استفاده‌شده در این نوع از سیستم یادگیری ماشین هستند.

Unsupervised ML (یادگیری ماشین غیرنظارتی)

داده‌های ورودی در این نوع از یادگیری ماشین، ساختارمند و برچسب‌زده نیستند و به این معناست که هیچ‌کس قبلا به آن داده‌ها نگاه نکرده است و یعنی ورودی هرگز نمی‌تواند به سمت الگوریتم‌ها هدایت شود. فقط این سیستم یادگیری ماشین داده‌ها را مصرف و برای آموزش مدل از آن‌ها استفاده می‌کند. این مدل سعی می‌کند الگوی خاصی پیدا کند و جواب موردنظر را بدهد. تنها تفاوتش به مدل قبلی هم این است که کار با ماشین انجام می‌شود و دست هیچ انسانی هم در کار نیست. بعضی از الگوریتم‌های استفاده شده در یادگیری ماشین بدون نظارت شامل تجزیه مقادیر انفرادی، خوشه‌بندی سلسله مراتبی، حداقل مربعات جزئی، تجزیه‌وتحلیل مولفه‌های اصلی، میانگین‌های فازی و غیره هستند.

Reinforcement Learning (یادگیری ماشین تقویتی)

یادگیری ماشین تقویتی بسیار به سیستم‌های سنتی شباهت دارد. این یادگیری ماشین از الگوریتمی به نام روش آزمون‌وخطا برای پیدا کردن داده‌ها استفاده می‌کند. بعد از آن می‌شود که خود سیستم تصمیم می‌گیرد کدام روش موثرتر است و نتایج کارآمدتری دارد. در کل 3 ترکیب در این نوع از یادگیری ماشین وجود دارد که شامل عامل، محیط و کنش‌ها می‌شود. عامل یا فاعل چیزی است که یاد می‌گیرد یا تصیمیم‌گیری می‌کند. محیط هم فضایی است که عامل یا فاعل با آن سروکار دارد و کنش‌ها هم کارهایی هستند که فاعل آن‌ها را انجام می‌دهد. این فعالیت‌ها زمانی اتفاق می‌افتند که فاعل موثرترین روش را انتخاب کند و براساس آن واکنش نشان دهد.

منبع: https://ezinearticles.com/?id=10473739&A-Beginners-Guide-to-Understand-Machine-Learning