یادگیری ماشین هوش مصنوعی و چگونگی محاسبه الگوریتمها

یادگیری ماشین هوش مصنوعی و چگونگی محاسبه الگوریتمها

Machine lrarning یکی از حیطه های مهم هوش مصنوعی است، یادگیری ماشین به کامپیوترها اجازه میدهد تا از داده های موجود یاد بگیرند و بر اساس آنها تصمیم گیری کنند. در این مطلب به بررسی اجمالی این مفهوم نحوه کار یک سیستم یادگیری ماشین و الگوریتمهای مختلف این حوزه خواهیم پرداخت.

یادگیری ماشین هوش مصنوعی و چگونگی محاسبه الگوریتمها

یادگیری ماشین به معنی یادگیری الگوهایی از داده ها است که به کامپیوترها امکان میدهد به طور خودکار از داده های جدید یاد بگیرند و بهترین تصمیم را برای مسئله مورد نظر بگیرند

در یادگیری ماشین ابتدا دادههای مورد نظر به سیستم داده میشود سپس سیستم با استفاده از الگوریتم های یادگیری ،ماشین به دنبال الگوهای موجود در داده ها میگردد و با انجام محاسبات، مدلی از دادهها را ایجاد میکند بعد از ،آموزش مدل ایجاد شده برای پیش بینی نتایج جدید استفاده میشود.

نحوه کار یک سیستم یادگیری ماشین

سیستم یادگیری ماشین ابتدا با داده های ورودی آشنا میشود این داده ها میتوانند از چندین منبع مختلف باشند، مانند پایگاه داده های فایلهای مختلف، سنسورها و غیره…. سپس با استفاده از الگوریتم های یادگیری ماشین سیستم سعی میکند الگوهای موجود در داده ها را پیدا کند.

در اینجا الگوریتم های یادگیری ماشین به دو دسته تقسیم میشوند:

Supervised Learning یادگیری نظارت شده .

Unsupervised Learningیادگیری بدون نظارت

در یادگیری ماشین هوش مصنوعی نظارت شده، داده های ورودی به همراه پاسخ درست (برچسب) آنها به سیستم ارائه میشود، سپس سیستم با استفاده از این داده ها الگوهایی مناسب پیدا میکند که بهترین پاسخ را در بدهد. این الگوها همچنین میتوانند برای پیش بینی داده های جدید نیز استفاده شوند.

در یادگیری بدون نظارت به سیستم هیچ برچسبی ارائه نمی شود و سیستم باید به تنهایی الگوهایی را پیدا کند که اطلاعات مفیدی را از داده ها استخراج می کند. به عنوان مثال، در سیستم باید داده های مشابه را در یک گروه قرار دهد

بعد از آموزش سیستم آماده استفاده برای پیش بینی نتایج جدید است. به عنوان مثال، در یادگیری نظارت شده سیستم با دادن ورودی جدید به ،مدل پاسخ مورد انتظار را پیش بینی می.کند. در یادگیری بدون نظارت سیستم با دادن داده جدید به مدل مشابه ترین داده های قبلی را پیدا می کند

در الگوریتم های یادگیری ماشین چندین الگوریتم وجود دارد. در ادامه به برخی از این الگوریتم ها اشاره می شود:

Nearest neighbors در این الگوریتم به  نزدیکترین همسایه -K الگوریتم داده جدید اطرافیانی که نزدیکترین فاصله را با آن دارند پیدا می کند و مقداری که بیشترین تعداد از اطرافیان آن را دارند به عنوان پاسخ مورد استفاده قرار میگیرد. این الگوریتم در خوشه بندی نیز مورد استفاده قرار میگیرد

Linear Regression در این الگوریتم با استفاده از دادههای رگرسیون خطی ، قبلی، رابطه ای بین متغیرها پیدا میشود و با استفاده از این رابطه، مقدار پاسخ جدید پیش بینی میشود

Neural Networksدراین الگوریتم ساختاری شبیه به مغز ، شبکه های عصبی مانند  انسان برای سیستم ایجاد میشود شبکه های عصبی با استفاده از الگوریتمهای Multilayer و پرسپترون های چندلایه (Deep) عمیق Recurrent بازگشتی به پردازش داده های پیچیده و حساس به زمان مانند تشخیص صدا و Perceptron تصویر میپردازند.

در این الگوریتم سیستم با استفاده از داده های Decision Tree درخت تصمیم  قبلی، درختی از تصمیمات ایجاد میکند که بهترین تصمیم را برای هر ورودی جدید انتخاب میکند.

Information Retrieval این الگوریتم به پردازش و بازیابی  اطلاعات در متن سیستم چگونه بهترین جواب را پیدا می کند:

یک سیستم یادگیری ماشین هوش مصنوعی با استفاده از الگوریتمهای یادگیری سعی میکند بهترین جواب را Evaluation برای مسئله مورد نظر پیدا کند برای این کار ابتدا باید یک معیار ارزیابی برای سیستم تعریف شود که نشان دهنده کیفیت پاسخهای سیستم است. سپس با استفاده ازMetric این معیار ارزیابی سیستم به دنبال بهترین جواب برای مسئله مورد نظر می گردد

به عنوان مثال در یادگیری نظارت شده معیار ارزیابی معمولاً دقت که نشان دهنده تعداد پاسخهای درست به تعداد کل پاسخها است برای بهبود میتواند با تغییر پارامترهای الگوریتم یا با تغییر ویژگیهای ورودی، بهترین جواب را با دقت پیدا کند

(Clustering) در یادگیری بدون نظارت معیار ارزیابی معمولاً به صورت کلوسترینگ است که نشان دهنده تفکیک داده ها به گروههای مختلف است برای بهبود کلوسترینگ سیستم میتواند با تغییر پارامترهای الگوریتم تعداد گروهها را تغییر دهد و یا ویژگیهای داده ها را تغییر دهد

همچنین، در بسیاری از مسائل معیار ارزیابی باید به صورت سفارشی تعریف شود تا با توجه به مسئله مورد نظر بهترین جواب پیدا شود به عنوان مثال در تشخیص اسپم، معیار ارزیابی باید به صورت دقت تشخیص اسهم و دقت تشخیص ایمیلهای معمولی تعریف شود. در این صورت، سیستم میتواند با توجه به اهمیت هر یک از این معیارها، بهترین جواب را پیدا می کند

به طور کلی برای پیدا کردن بهترین، جواب سیستم باید با استفاده از الگوریتم های یادگیری مناسب، پارامترهای بهینه و ویژگیهای مناسب به دنبال بهترین جواب برای مسئله مورد نظر بگردد

Hooshmasnoyi.com