مولفه یادگیری
یادگیری به چهار گروه اصلی تقسیم می گردد:
۱) یادگیری نظارت شده
۲) یادگیری نظارت نشده
۳) نیمه نظارتی
۴) یادگیری تقویتی
الگوریتم یادگیری ماشین به یک کد برنامه (ریاضی یا منطق برنامه) اشاره دارد که متخصصان را قادر می سازد تا مجموعه های داده پیچیده بزرگ را مطالعه، تجزیه و تحلیل، درک و کاوش کنند. هر الگوریتم از یک سری دستورالعمل پیروی می کند تا با یادگیری، ایجاد و کشف الگوهای تعبیه شده در داده ها، به هدف پیش بینی یا طبقه بندی اطلاعات دست یابد.
انواع یادگیری ماشینی
الگوریتم‌های یادگیری ماشینی قوانین و فرآیندهایی را مشخص می‌کنند که یک سیستم باید هنگام رسیدگی به یک مشکل خاص در نظر بگیرد. این الگوریتم ها داده ها را برای پیش بینی نتیجه در محدوده از پیش تعیین شده تجزیه و تحلیل و شبیه سازی می کنند. علاوه بر این، با وارد شدن داده های جدید به این الگوریتم ها، آنها بر اساس بازخورد عملکرد قبلی در پیش بینی نتایج، یاد می گیرند، بهینه می شوند و بهبود می یابند. به عبارت ساده، الگوریتم‌های یادگیری ماشین با هر تکرار «هوشمندتر» می‌شوند.
بسته به نوع الگوریتم، مدل های یادگیری ماشین از پارامترهای مختلفی مانند پارامتر گاما، max_depth، n_neighbors و سایر پارامترها برای تجزیه و تحلیل داده ها و تولید نتایج دقیق استفاده می کنند. این پارامترها نتیجه داده های آموزشی هستند که مجموعه داده بزرگتری را نشان می دهند.
الگوریتم های یادگیری ماشینی بر اساس تکنیک های یادگیری به چهار نوع طبقه بندی می شوند: تحت نظارت، نیمه نظارتی، بدون نظارت و یادگیری تقویتی. الگوریتم‌های رگرسیون و طبقه‌بندی محبوب‌ترین گزینه‌ها برای پیش‌بینی مقادیر، شناسایی شباهت‌ها و کشف الگوهای داده‌های غیرعادی هستند.
1. یادگیری نظارت شده
الگوریتم های یادگیری نظارت شده از مجموعه داده های برچسب گذاری شده برای پیش بینی استفاده می کنند. این تکنیک یادگیری زمانی مفید است که نوع نتیجه یا نتیجه ای را که قصد دارید داشته باشید، بدانید.
به عنوان مثال، در نظر بگیرید که یک مجموعه داده دارید که بارانی را که در یک منطقه جغرافیایی در طول یک فصل خاص در طول 200 سال گذشته رخ داده است، مشخص می کند. شما قصد دارید باران مورد انتظار در آن فصل خاص برای ده سال آینده را بدانید. در اینجا، نتیجه بر اساس برچسب‌های موجود در مجموعه داده اصلی، یعنی بارندگی، منطقه جغرافیایی، فصل و سال به دست می‌آید.
2. یادگیری نظارت نشده
الگوریتم های یادگیری بدون نظارت از داده های بدون برچسب استفاده می کنند. این تکنیک یادگیری، داده های بدون برچسب را با دسته بندی داده ها یا بیان نوع، شکل یا ساختار آن برچسب گذاری می کند. این تکنیک زمانی مفید است که نوع نتیجه ناشناخته باشد.
به عنوان مثال، وقتی از مجموعه داده‌ای از کاربران فیس‌بوک استفاده می‌کنید، قصد دارید کاربرانی را که تمایل دارند (بر اساس لایک‌ها) نسبت به کمپین‌های تبلیغاتی مشابه فیس‌بوک طبقه‌بندی کنید. در این مورد، مجموعه داده بدون برچسب است. با این حال، نتیجه دارای برچسب هایی خواهد بود زیرا الگوریتم شباهت هایی را بین نقاط داده در حین طبقه بندی کاربران پیدا می کند.
3. یادگیری نیمه نظارتی (SSL)
الگوریتم‌های یادگیری نیمه‌نظارتی دو مورد بالا را ترکیب می‌کنند، جایی که از داده‌های برچسب‌دار و بدون برچسب استفاده می‌شود. هدف این الگوریتم ها دسته بندی داده های بدون برچسب بر اساس اطلاعات به دست آمده از داده های برچسب دار است.
مثالی از طبقه بندی محتوای وب را در نظر بگیرید. طبقه‌بندی و طبقه‌بندی محتوای موجود در اینترنت یک کار زمان‌بر و منابع فشرده است. جدا از الگوریتم های هوش مصنوعی، برای سازماندهی میلیاردها صفحه وب در دسترس به صورت آنلاین، به منابع انسانی نیاز دارد. در چنین مواردی، مدل‌های SSL می‌توانند نقش مهمی در انجام کارها به نحو احسن ایفا کنند.
4. یادگیری تقویتی
الگوریتم های یادگیری تقویتی از نتیجه یا نتیجه به عنوان معیاری برای تصمیم گیری در مرحله اقدام بعدی استفاده می کنند. به عبارت دیگر، این الگوریتم‌ها از نتایج قبلی یاد می‌گیرند، پس از هر مرحله بازخورد دریافت می‌کنند و سپس تصمیم می‌گیرند که آیا مرحله بعدی را ادامه دهند یا خیر. سیستم می‌آموزد که آیا در این فرآیند انتخاب درست، اشتباه یا خنثی کرده است. سیستم‌های خودکار می‌توانند از یادگیری تقویتی استفاده کنند، زیرا برای تصمیم‌گیری با حداقل دخالت انسان طراحی شده‌اند.
به عنوان مثال، شما یک خودروی خودران طراحی می کنید و قصد دارید ردیابی کنید که آیا خودرو از قوانین راهنمایی و رانندگی پیروی می کند و ایمنی در جاده ها را تضمین می کند. با استفاده از یادگیری تقویتی، وسیله نقلیه از طریق تجربه و تاکتیک های تقویتی یاد می گیرد. این الگوریتم تضمین می‌کند که خودرو از قوانین راهنمایی و رانندگی برای ماندن در یک لاین پیروی می‌کند، از محدودیت‌های سرعت پیروی می‌کند و از برخورد با عابران پیاده یا حیوانات در جاده جلوگیری می‌کند.
