مقدمه ای بر یادگیری ماشین - 1
1398/01/27 15:23 , بهزاد ناظمی

مقدمه ای بر یادگیری ماشین - 1

یادگیری ماشین چیست؟

اجازه دهید سعی کنیم یادگیری ماشین را به زبان عامیانه بفهمیم.

اگر شما یادگیری ماشین را مشاهده کنید، از دو کلمه تشکیل شده است - ماشین و یادگیری. بنابراین، به دنبال این دو کلمه، ما به سادگی می توانیم بفهمیم که «ماشین ها می توانند یاد بگیرند» و این چیزی است که کلا در مورد یادگیری ماشین وجود دارد.

 در حال حاضر، این یک ایده بسیار اساسی در مورد یادگیری ماشین است.

باید یک قدم جلوتر برویم

با توجه به تعریف قبلی ما، اگر ماشین ها بتوانند از تجارب گذشته یاد بگیرند بدون اینکه به صراحت برنامه ریزی شوند، این مفهوم به عنوان یادگیری ماشین شناخته می شود.

 در رویکرد فوق ، ما دو اصطلاح جدید (a- تجربه قبلی) و (b برنامه ریزی شده) را می بینیم. بگذارید با جزئیات درباره آنها بحث کنیم.

 بر اساس آن چیزی که سیستم ارائه  می دهد، تجربه قبلی به ما کمک می کند تا درک رابطه بین ورودی و خروجی را متوجه شویم.

 یا شاید بگوییم، به ماشین ها کمک می کند تا یاد بگیرند که چه خروجی باید هنگام ورود داده شود.

 اصطلاح دوم (به طور صریح برنامه ریزی شده) بدون کلمه 'بدون' موفق می شود و به ما می گوید که ماشین ها ارتباط مستقیمی با یک ورودی خاص و یک خروجی مشخص ندارند، که بدین معنی است که برای هر مقدار مشخصی از "X" حتما خروجی مقدار "Y"  ممکن است متفاوت باشد.

توضیح مناسب بحث بالا می تواند به عنوان راهی برای استفاده علمی از تجربیات گذشته برای پیش بینی آینده برای کمک به نتایج دقیق تر صورت گیرد.

 

برنامه ریزی متعارف

ما از روز مدرسه به یاد می آوریم که همیشه یاد گرفتیم که کامپیوتر چگونه کار می کند.

 همانطور که به کامپیوتر ورودی می دهیم، کامپیوتر بر روی آن کار می کند و خروجی می دهد.

شکل -1-1 برنامه ریزی متعارف

 

با توجه به شکل 1-1 و با گرفتن مقادیر نمونه، اجازه دهید ورودی '2، 3' باشد و برنامه '+'  را اضافه کند، سپس خروجی مورد انتظار '5' خواهد بود.

شکل 1-2 برنامه ریزی متعارف با ورودی نمونه

 

رویکرد یادگیری ماشین

یادگیری ماشین روندی بسیار اجرایی بسیار دراماتیکی دارد!

 خروجی و خود برنامه، موقعیت خود را برای دریافت یک برنامه جدید تغییر می دهند، همانطور که در شکل 1-3 نشان داده شده است.

شکل 1-3 رویکرد یادگیری ماشین

مجددا ورودی را به عنوان "2، 3" در نظر می گیریم اما این بار ما خروجی را به رایانه یعنی 5 می فرستیم و برنامه را به عنوان خروجی واقعی دریافت می کنیم که در اینجا یک عملیات اضافه"+" خواهد بود.

 

شکل 1-4 رویکرد آموزش ماشین با ورودی نمونه

هنگامی که به رایانه ورودی '2، 3' و خروجی '5' داده می شود، کامپیوتر آنالیز را مربوط به رابطه بین ورودی و خروجی را شکل می دهد. ما می توانیم بگوییم، رایانه چگونگی خروجی خاصی را هنگام ورود اطلاعات می دهد. و در این مثال، رایانه روابط بین '2، 3' و '5' را محاسبه می کند و علاوه '+' را به عنوان برنامه می دهد.

 

در حال حاضر، مزیت این روش این است که برنامه حاصل شده که آموزش دیده است قادر به پیش بینی خروجی مورد نظر بر اساس داده های ارائه شده است.

 

بنابراین، در حال حاضر این واقعیت که می توانیم به تعریف پیچیده ای از آموزش ماشین دست پیدا کنیم، پیش روی ما قرار دارد.

تعریف یادگیری آموزش

"گفته شده است که یک برنامه کامپیوتری از تجربه E در رابطه با برخی کلاس های تابع  Tو اندازه گیری عملکرد P استفاده می کند، اگر عملکرد آن در وظایف در T، با اندازه گیری P، با تجربه E رشد می کند."

Tom Mitchell، University of Carnegie Mellon

 

اوه!  عجب جمله ای بود؟

یک لحظه صبر کن!

قبل از اینکه از آن بگذرید، سعی کنید این تعریف را با یک مثال درک کنید.

فرض کنید ما می خواهیم یک برنامه برای پیش بینی الگوهای ترافیکی در تقاطع ها (تابع T) داشته باشیم، می توانیم آن را از طریق الگوریتم یادگیری ماشین با داده ها در مورد الگوهای ترافیکی گذشته (تجربهE ) اجرا کنیم، و اگر آن را آموخته، در پیش بینی آینده الگوهای ترافیک بهتر خواهد شد (عملکرد P).

 

برنامه های کاربردی یادگیری ماشین

قبل از اینکه به لیستی که در آن آموزش ماشین پیاده سازی شده است بپردازید، بیایید بررسی کنیم که در زندگی روزمره چه زمانی از یادگیری ماشین استفاده می کنیم.

 

همه ما از Facebook Messenger برای اهداف شخصی یا تجاری استفاده می کنیم.

 بیایید باهم تست کنیم، مسنجر فیس بوک خود را باز کرده و به یکی از دوستانتان پیام "دیدار با من فردا، ساعت 10 صبح" ارسال کنید. پس از ارسال پیام، یک لینک به پیغام شما به مضنون “START PLAN” را می بینید.

روی START PLAN کلیک کنید، سپس می توانید تاریخ، زمان، مکان را اضافه کنید و یک ساعت قبل از برنامه ریزی برنامه، یک اطلاع رسانی در تلفن همراه خود داشته باشید.

چگونه تمام اینها اتفاق می افتد؟

آنچه در حال حاضر اتفاق افتاده، نتیجۀ پردازش طبیعی زبان است.

 فیس بوک در واقع پیام شما را خوانده و تحلیل کرده که یک تاریخ و زمان در پیام شما وجود دارد و شما می خواهید به عنوان یک برنامه صرفه جویی کنید تا بتوانید به همان میزان به روز باشید. و بله، این همه اتفاق افتاد، زیرا الگوریتم یادگیری ماشین فیس بوک می تواند قصد پیام را درک کند.

 بگذارید یه مثال دیگر بیاوریم.

این بار، فقط فیس بوک.

 ما دوست داریم عکس ها را در پلت فرم رسانه های اجتماعی با دوستان و خانواده ها به اشتراک بگذاریم. بعنوان یک مثال، زمانی که یکی از دوستانتان یک تصویر گروهی در فیس بوک را که شامل شما می شود، آپلود می کند اما فراموش می کند که شما را تگ کند.

 شانس شما گفته است!  ممکن است اطلاعیه ای در فیس بوک دریافت کنید که "سعید، دوست شما تصویری را ارسال کرد که ممکن است شما نیز در آن باشید!".

وای، جالب است!

 این کار چگونه انجام می شود؟  فیس بوک تمام تصاویر شما را گرفته و سیستم را با تغذیه تصویر شما آموزش داده است، بنابراین، دفعه بعد که دوست شما یک عکس ارسال می کند، از طریق همان سیستم می آید و چهره شما را می شناسد و در نهایت به شما اطلاع می دهد.

 این فرآیند (چشم انداز پرنده) نام دارد و یک برنامه پردازش تصویر است.

 

بعضی نمونه های دیگر

  • دستیار شخصی مجازی

الکسا، Google Now و Cortana نمونه هایی از دستیاران مجازی هستند. آنها می توانند به ما در پیدا کردن اطلاعات از طریق فرمان صوتی کمک کنند، مثلا: " برنامه من برای امروز چیست"، "زمان ملاقات من کی است"، "آیا پرواز من به تأخیر افتاده است؟"

  • نظارت تصویری

امروزه با استفاده از تکنولوژی AI ساخته می شوند که به پیشگیری جرم قبل از این که اتفاق بیافتد کمک می کنند.

 رفتار غیرمعمولی یک فرد را نظیر سوءاستفاده، چرت زدن روی نیمکت یا ایستادن بمدت طولانی را دنبال می کند و هنگامی که چنین فعالیتهایی اتفاق می افتد و گزارش می شوند که درست است، عکس العمل خواهد داشت و به بهبود سیستم کمک می کند.

  • تصفیه نتایج موتور جستجو

گوگل، بینگ نتایج جستجوی خود را با استفاده از یادگیری ماشین بهبود می بخشند. اگر شما یک کلمه را جستجو کنید و مدت زمان زیادی را در نتایج بالا صرف کنید، آن را تجزیه و تحلیل می کند که خروجی پیچیده است و اگر شما به صفحه دوم، سوم بروید بدون باز کردن هر یک از نتایج، موتور جستجو برآورد می کند که خروجی سرور رضایت بخش نیست ، و به این ترتیب، الگوریتم نتایج جستجو در پشت صحنه را بهبود می بخشد.

  • موتورهای پیشنهاد دهنده

نیاز به بحث در مورد چگونگی استفاده از این سیستم عامل های تجارت الکترونیک در مقابل محصولات مشابه نیست. بر اساس رفتار کاربر، این وب سایت ها / برنامه ها، محصولات مرتبط را توصیه می کنند.

پس از بحث در مورد همه چیز، زمان آن است که ما تکنیکی را پیدا کنیم و ببینیم چگونه می توانیم یادگیری ماشین را طبقه بندی کنیم.

 

   برگرفته از : https://www.c-sharpcorner.com/article/first-guide-to-machine-learning/

 

از آخرین دوره های آموزشی و تخفیف ها مطلع شوید

با تکمیل فرم زیر ، از اخبار و اطلاعات به روز برنامه نویسی و تکنولوژی عقب نمانید

آخرین مطالب

آموزش جامع SQL Server (جلسه ۱۲)
آموزش جامع SQL Server (جلسه ۱۲)

دستور UPDATE در SQL Server برای تغییر داده‌های موجود در یک جدول، از دستور UPDATE به شکل زیر استفاده ...

آموزش جامع SQL Server (جلسه ۱۵)
آموزش جامع SQL Server (جلسه ۱۵)

دستور DROP TABLE در SQL Server گاهی، لازم است یک جدول که دیگر استفاده‌ای ندارد را حذف کنید. برای ...

آموزش جامع SQL Server (جلسه ۳۵: Window Functionها – بخش ۲)
آموزش جامع SQL Server (جلسه ۳۵: Window Functionها – بخش ۲)

بخش اول از آخرین مبحث دوره جامع آموزش SQL Server در جلسه قبلی بررسی شد. این مبحث که ...

آخرین دیدگاه ها

دیدگاه خود را درباره این پست بنویسید

فرم ارسال نظرات