یادگیری ماشین

 

یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است  که این تعریف، به توانایی سیستم های IT در یافتن راه حل های مستقل برای مسائل از طریق شناخت الگوهای موجود در بانک های اطلاعاتی اشاره می کند. به عبارت دیگر، یادگیری ماشین سیستم های IT را قادر می سازد الگوها را بر اساس الگوریتم های موجود و مجموعه داده ها تعریف کنند و راه حل مناسب را ارائه دهند. بنابراین در سیستم های ماشین یادگیری، دانش بر اساس تجربه تولید می شود.
داشتن اقدامات قبلی افراد، برای ایجاد راه حل ها به صورت مستقل توسط نرم افزار، ضروری است. الگوریتم ها و داده های مورد نیاز باید از قبل در سیستم ها وارد شده و قوانین آنالیز مربوطه برای شناخت الگوهای موجود در مجوعه داده ها تعریف شوند. پس از اتمام این دو مرحله، سیستم می تواند اقدامات زیر را توسط الگوریتم های ماشین یادگیری انجام دهد:

1. یافتن، استخراج و جمع بندی داده های مربوطه
2. پیش بینی بر اساس تحلیل داده ها
3. محاسبه احتمالات برای نتایج خاص
4. بهینه سازی فرایندها بر اساس الگوهای شناخته شده

 

 

ماشین یادگیری به صورت ساده کار می کند، کامپیوتر از طریق داده های ورودی و دستورات خاص، قادر به یادگیری برای شناسایی اشیاء (اشخاص، اشیاء و غیره) می شود. به عنوان مثال، برنامه نویس می تواند به سیستم دستور دهد که یک شیء خاص انسان است و یک شیء دیگر انسان نیست. این نرم افزار از برنامه نویس بازخورد مداوم دریافت می کند. این سیگنال های بازخورد توسط الگوریتم برای تطبیق و بهینه سازی مدل استفاده می شود. با استفاده از هر مجموعه داده جدید که به سیستم وارد شده است، این مدل بهتر بهینه می شود به گونه ای که در پایان به وضوح می تواند میان انسان و غیر انسان تمایز قائل شود.
الگوریتم ها نقش مهمی را در یادگیری ماشین ایفا می کنند. از یک طرف، وظیفه شناخت الگوها را بر عهده دارند و از طرفی دیگر راه حل هایی را می توانند ارائه دهند. الگوریتم ها را می توان به صورت زیر طبقه بندی کرد:

 

1. یادگیری تحت نظارت
2. یادگیری بدون نظارت
3. یادگیری تقویتی

مرجع