منوهای نصب در پنل مدیریت

  • ورود
  • سبد خرید شما خالی است.

یادگیری نظارت شده

یادگیری ماشین به چهار گروه تقسیم می شود: یادگیری نظارت شده، یادگیری نظارت نشده، یادگیری نیمه نظارت شده و Reinforcement Learning

هدف یادگیری ماشین ساختن مدل هایی است که بتوانند بدون برنامه ریزی به سرعت از داده ها یادبگیرند.

در میان تمام زیر مجموعه های یادگیری ماشین، یادگیری نظارت شده (Supervised learning) بسیار مورد توجه قرار گرفته است. و دارای دستورالعمل های بسیار گسترده ای در دنیای یادگیری ماشین می باشد.

الگوریتم یادگیری نظارت شده یا Supervised learning برای یادگیری با مثال طراحی شده است.

در Supervised learning، داده ها مجموعه ای از مثال های برچسب گذاری شده هستند. این الگوریتم، رابطه ی بین نمونه های آموزشی و متغیر هدف مرتبط به آن را فرا می گیرد. سپس از این رابطه ی آموخته شده برای طبقه بندی ورودی های جدید(بدون هدف) استفاده می کند.

فرمول یادگیری نظارت شده :

می خواهیم نمرات دانش آموزی را باتوجه به ساعت مطالعه ی او محاسبه کنیم. برای محاسبه از فرمول زیر استفاده می کنیم:

Y = f(X)+ C

f: رابطه بین ساعت مطالعه دانش آموز و نمره ی او را مشخص می کند.

X: ساعت مطالعه ی دانش آموز

Y :نمره دانش آموز

C: خطاهای احتمالی

در واقع هدف نهایی Supervised learning ، پیش بینی دقیق Y برای ورودی های جدید (X) است.

برای پیاده سازی یادگیری نظارت شده چندین الگوریتم وجود دارد:

براساس مجموعه های داده شده، مسئله ی داده شده به دو دسته تقسیم می شود:

طبقه بندی (classification) و رگراسیون(regression)

اگر داده های داده شده دارای مقادیر ورودی و خروجی بود مسئله طبقه بندی است اما اگر ورودی دارای مقادیر عددی پیوسته و بدون برچسب هدف باشد رگراسیون است.مسائل یادگیری نظارت شده

الگوریتم های طبقه بندی شامل:

k-nearest neighbor

Decision tree

Naive Bayes

Support vector machine

Logistic Regression

Neural network

الگوریتم رگراسیون شامل:

Linear Regression

Random Forest Regression

Polynomial Regression

مقایسه طبقه بندی و رگراسیون

مطالعه ی بیشتر

جولای 7, 2020

۲ پاسخ به "یادگیری نظارت شده"

ارسال یک پیام

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

X