در صورتی که تمایل دارید بجای مطالعه مقالهی انواع یادگیری ماشین فیلم آن را تماشا کنید، روی این لینک (+) و یا پخش کننده پایین کلیک کنید.
در صورتی که مطالعه متن را به تماشای فیلم ترجیح میدهید با ما در ادامه مقاله همراه باشید.
یادگیری بر اساس سطوح نظارت
بر اساس نوع نظارتی که در دادهها اتفاق میافتد، سیستمهای یادگیری میتوانند در چهار طبقه مختلف قرار بگیرند:
- یادگیری با نظارت (supervised learning)
- یادگیری بدون نظارت (unsupervised learning)
- یادگیری نیمه نظارتlearning) (semisupervised
- یادگیری تقویتی (Reinforcement Learning)
یادگیری با نظارت (supervised learning)
در یادگیری با نظارت ماشین با استفاده از دادههای برچسب گذاری شده و داشتن جوابهای درست یاد میگیرد.
دو نمونه از یادگیری با نظارت:
- ایمیل های سالم و اسپم
- نمونه دیگری از یادگیری با نظارت پیشبینی مقدار عددی است. به عنوان مثال قیمت یک ماشین با مجموعه ویژگیهایی همانند (مسافت طی شده، برند، سن ماشین و …). این نوع مثالها با عنوان regression نامیده می شوند.
معروفترین الگوریتم های یادگیری با نظارت
- k-Nearest Neighbors یا کی-نزدیکترین همسایه
- Linear Regression یا رگرسیون خطی
- Logistic Regression یا رگرسیون لوجستیک
- Support Vector Machines (SVMs) یا ماشین بردار پشتیبان
- Decision Trees and Random Forests یا درخت تصمیم و جنگل تصادفی
- Neural networks یا شبکههای عصبی
الگوریتمهای بالا نمونهای از الگوریتمهای با نظارت هستند که تعدادی داده به آنها داده میشود. هر کدام از این الگوریتمها به روش خاص خود به کمک دادهها، الگوی لازم را تشخیص میدهند. سپس دادههای جدید به آنها داده میشود و میتوانند مجهول را پیدا کنند مثلا قیمتی را پیش بینی با دستهای را طبقهبندی کنند.
یادگیری بدون نظارت (Unsupervised learning)
یادگیری بدون نظارت چیست؟ در یادگیری بدون نظارت ماشین بدون استفاده از دادههای برچسب گذاری شده و بدون هیچ معلمی میآموزد. د ر اینجا دادهها لزوما دسته بندی ندارند و این الگوریتمها هستند که دادهها را دسته بندی میکنند.
معروفترین الگوریتمهای یادگیری بدون نظارت:
- Clustering یا خوشه بندی
- K-Means
- DBSCAN
- Hierarchical Cluster Analysis (HCA) یا خوشه بندی سلسله مراتبی
- Anomaly detection and novelty detection یا الگوریتمهای تشخیص ناهنجاری
- Visualization and dimensionality reduction یا الگوریتمهای تجسم و یا کاهش ابعاد
- Association rule learning یا قوانین انجمی
یادگیری نیمه نظارت (Semisupervised learning)
دستهای از روشهای یادگیری ماشین است که در آن از دادهها بدون برچسب و دادههای برچسب دار به صورت همزمان برای بهبود دقت یادگیری استفاده میشود.
یادگیری تقویتی (Reinforcement Learning)
سیستم یادگیری که در این زمینه عامل نامیده میشود میتواند محیط را مشاهده کند، اقدامات را انتخاب و انجام میدهد و در برابر آن سیاست، پاداش دریافت میکند یا تنبیه میشود.
- برنامه Deep Mind Alph Go نمونه ای از یادگیری تقویتی است.
جمع بندی
ممنون که تا انتهای این مقاله با ما همراه بودید. در این مقاله خیلی سریع با انواع سیستمهای یادگیری ماشین آشنا شدید. متن این مقاله قابل مطالعه و فیلم آن قابل مشاهده بود. پیشنهاد میکنم برای یادگیری و فهم بیشتر، فیلم آموزشی آپلود شده در این صفحه را حتما مشاهده کنید.
+ پیش از این آموزش اجرای پروژه یادگیری ماشین با پایتون در همرویش منتشر شد. برای دیدن فیلم معرفی این آموزش بر روی این لینک (+) و یا پخش کننده زیر کلیک کنید:
دریافت این بسته آموزشی در لینک زیر:
آموزش اجرای یک پروژه یادگیری ماشین با پایتون
کلیدواژگان
انواع یادگیری ماشین | انواع روش های یادگیری ماشین | انواع روشهای یادگیری ماشین | انواع الگوریتم های یادگیری ماشین | انواع ماشین لرنینگ | انواع یادگیری ماشین | تفاوت یادگیری با نظارت و بدون نظارت | الگوریتم های با ناظر و بدون ناظر چه الگوریتم هایی هستند | تفاوت یادگیری بدون نظارت و با نظارت | یادگیری بدون نظارت چیست | الگوریتم های یادگیری بدون نظارت | مثال برای یادگیری بدون نظارت | انواع یادگیری بدون نظارت
دوره های آموزشی مرتبط
- آموزش یادگیری ماشین از صفر --- یادگیری سریع و آسان ۶۸,۰۰۰ تومان
- آموزش ساخت شبکه عصبی با پایتون (و دیگر زبانها) از صفر ۱۳۲,۰۰۰ تومان