منوهای نصب در پنل مدیریت

  • ورود
  • سبد خرید شما خالی است.

یادگیری ماشین-قسمت دوم

یادگیری ماشین چیست؟

یادگیری ماشین یا Machine learning سیستمی است که می تواند از نمونه ها از طریق خود سازی و بدون کد نویسی، یاد بگیرد. در صورتی این شیوه موفقیت آمیز است که یک ماشین می تواند از داده ها یاد بگیرد و نتایج دقیقی را ارائه بدهد.یادگیری ماشین داده ها را با ابزار آماری تلفیق می کند تا بتواند بازده را پیش بینی کند. خروجی ها توسط شرکت ها برای ایجاد دیدگاه علمی مورد استفاده قرار می گیرد.

یادگیری ماشین

یادگیری ماشین ارتباط نزدیکی با داده کاوی و مدل سازی دارد. ماشین  داده ها را به عنوان ورودی دریافت می کند، از الگوریتم ها برای فرمول کردن نتایج و خروجی ها استفاده می کند. یادگیری ماشین در تعاملات و مشاهدات با دنیای بیرون رخ می دهد.

 یادگیری ماشین برای انواع کارها مثل: کشف  خطا و تقلب ها، پیش بینی نتایج، بهینه سازی نمونه کارها، خود کار سازی کارها مورد استفاده قرار می گیرد.

یادگیری ماشین در مقایسه با برنامه نویسی سنتی

برنامه نویسی سنتی با یادگیری ماشین تفاوت زیادی دارد. در برنامه نویسی سنتی، یک برنامه نویس تمام قوانین را با مشورت با یک منخصص نرم افزار کد نویسی می کند.

فرایند یادگیری ماشین:

  1. تعریف مسئله
  2. جمع آوری داده ها
  3. تجسم داده ها
  4. الگوریتم یادگیری
  5. تست الگوریتم
  6. اصلاح الگوریتم ها
  7. تکرار گام های 4 تا 7 تا زمانی که نتایج رضایت بخش شوند.

یادگیری ماشین

برای مشاهده نتایج پیش بینی باید مدل را طراحی و از آن استفاده کرد.

نحوه انتخاب الگوریتم Machine learning

تعداد زیادی الگوریتم یادگیری ماشین وجود دارد اما انتخاب الگوریتم مبتنی بر هدف است.

مثلا فرض کنید قصد داریم تا نوع گل را از بین سه گونه مختلف پیش بینی کنیم. این پیش بینی ها بر اساس طول و عرض گلبرگ ها صورت می گیرد. به عبارتی انتخاب الگوریتم ها بر اساس نیاز مسئله، بر مبنای ویژگی های داده ها است.

چالش ها و محدودیت های یادگیری ماشین:

چالش اصلی یادگیری ماشین فقدان داده یا تنوع در مجموعه داده ها است. اگر داده ای در دسترس نباشد، یک ماشین نمی تواند یادبگیرد. علاوه بر این، یک مجموعه داده با عدم تنوع دستگاه را دشوارتر می کند. این محدودیت می تواند باعث  ارزیابی و پیش بینی ضعیف می شود.

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد ، که صدها نفر در هر روز منتشر می شوند ، و به طور معمول توسط سبک یادگیری (یعنی یادگیری نظارت شده ، یادگیری بدون نظارت ، یادگیری نیمه نظارت) یا شباهت در فرم یا عملکرد (به عنوان مثال طبقه بندی ، خوشه بندی) دسته بندی می شوند. رگرسیون ، درخت تصمیم گیری ، خوشه بندی ، یادگیری عمیق و غیره.

صرف نظر از سبک یادگیری یا عملکرد ، تمام ترکیبات الگوریتم های یادگیری ماشینی شامل موارد زیر است:

  • ارائه : مجموعه ای از طبقه بندی کننده ها یا زبانهایی که کامپیوتر می فهمد.
  • ارزیابی : عملکرد با هدف امتیاز دهی
  • بهینه سازی: بهبود روش جستجو، اغلب انتخاب بالاترین امتیاز طبقه بندی ها برای مثال هم از روش های بهینه سازی و هم غیر دسته بندی استفاده می کنند.

اپلیکیشن های Machine learning:

Machine learning

Augmentation :

یادگیری ماشینی که بدون داشتن کنترل کامل روی خروجی، انسان را در انجام کارهای روزمره هود یا امور تجاری یاری می کند. یادگیری ماشین به روش های مختلفی مانند دستیار مجازی، تجزیه و تحلیل داده ها، راه حل های نرم افزاری استفاده می شود. کاربرد اصلی آن کاهش خطاهای انسانی است.

اتوماسیون :

ML کاملا به طور مستقل در هر زمینه ای کار می کندو نیاز به مداخله ی انسانی ندارد. مثل روبات هایی که مراحل اساسی فرایند را در کارخانه های تولیدی انجام می دهند.

صنایع اقتصادی:

یادگیری ماشین در صنعت مالی و اقتصادی محبوبیت زیادی دارد. بانک ها عمدتا از ML برای جلوگیری از کلاهبرداری استفاده می کنند.

سازمان های دولتی:

 دولت از یادگیری ماشین برای مدیریت ایمنی و خدمات عمومی استفاده می کند.

صنعت بهداشت و درمان

بهداشت و درمان نخستین صنعتی بود که از روش Machine learning با تشخیص تصویر استفاده کرد.

بازاریابی

استفاده گسترده از هوش مصنوعی به دلیل دسترسی فراوان به داده ها در بازاریابی انجام می شود. محققان ابزارهای پیشرفته ریاضی مانند آنالیز بیزی را برای برآورد ارزش مشتری تهیه می کنند. با رونق داده ها ، بخش بازاریابی برای بهینه سازی روابط مشتری و کمپین بازاریابی به هوش مصنوعی متکی است.

و هزاران نوع دیگر از برنامه ها که از ML استفاده می کند.

برای درک بهتر لطفا صفحات لینک شده در طول این مطلب را مطالعه بفرمایید.

تفاوت هوش مصنوعی، یادگیرری ماشین، یادگیری عمیق

مطالعه بیشتر

جولای 23, 2020

۰ پاسخ به "یادگیری ماشین-قسمت دوم"

ارسال یک پیام

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

question