هدف از یادگیری ماشین چیست

هدف از یادگیری ماشین چیست؟

مثال: برنامه ای بنویسید که نمره درسی دانشجو را گرفته و مشخص کند که آیا دانشجو درس را پاس کرده است یا خیر؟

در این برنامه با تعیین حد آستانه نمره و با استفاده از  یک دستور شرطی if ساده می توان برنامه را نوشت و به خروجی دست یافت:

if grade>=10

cout<<pass

else

cout<<failed

مثال:برنامه ای بنویسید که تعداد ساعات مطالعه و میزان تمرکز دانشجو را گرفته و بررسی کند که آیا دانشجو قبول می شود یا خیر؟

در اینجا چون پارامترها مشخص نیستند نمی توان مانند مثال قبل با یک حلقه if ساده خروجی را بدست آورد لذا باید با استفاده از مجموعه داده های برچسب دار قبلی، خود ماشین میزان پارامتر ها را حدس بزند، لذا اصلی ترین هدف یادگیری ماشین را پیدا کردن پارامترهای بهینه مدل شبکه عصبی می دانند.  

 در شکل فوق پارامترهایa و b به ترتیب شیب خط و عرض از مبدا خط طبقه بند می باشند که وظیفه یادگیری ماشین یافتن مقدار بهینه آنهاست.

انواع مدلها:

supervised

unsupervised

semi supervised

Reinforcement

یادگیری supervised: (یادگیری با معلم)همان نوع یادگیری است که ماشین با استفاده از داده های برچسب دار درست جوابهای درست را یاد می گیرد. یکی از مثالهای مرسوم در یادگیری supervised تشخیص و فیلتر کردن ایمیلهای اسپم از غیر از آن است.

یادگیری unsupervised: در این مدل ماشین بدون استفاده از داده های برچسب گذاری شده و بدون هیچ معلمی آموزش می بیند. که بیشتر برای خوشه بندی کاربرد دارد.

یادگیری semi supervised: از آنجائی که جمع آوری داده های بدون برچسب نسبتا آسان است ولی راه های استفاده از آن محدود است یادگیری نیمه نظارتی این مشکل را با استفاده از مقادیر زیادی از داده های بدون برچسب همراه با داده های برچسب دار به منظور ساخت دسته بندی های بهتر برطرف می کند، از آنجائی که یادگیری نیمه نظارتی به تلاش انسانی کمتری نیاز دارد و در عین حال دقت بیشتری را دارد از این رو از نظر تئوری و علمی بسیار قابل توجه است.

یادگیری reinforcement: نوعی یادگیری تقویتی است که به ازای خروجی های درست و غلط تشویق و تنبیه را داریم و خود ماشین در این نوع یادگیری می آموزد که چگونه در محیط با انجام اقدامات و دیدن نتایج آنها رفتار کند.

در بحثClassification اگر مقادیر خروجی مقادیر عددی پیوسته بودند اصطلاحا به آنها رگرسیون و اگر مقادیر گسسته بودند classifier گویند که در پستهای آتی به تشریح آنها خواهیم پرداخت.