انواع مدل های یادگیری ماشین

مقدمه

در مقاله‌ی یادگیری ماشین که چندی پیش منتشر شد دیدیم که یادگیری ماشین چیست و چه کاربرد هایی در هوش مصنوعی دارد. اکنون در این مقاله می‌خواهیم مدل های اصلی یادگیری ماشین را با هم مرور کنیم و کاربرد های هر یک را بررسی کنیم. در واقع یادگیری ماشین مطالعه‌ی الگوریتم های مختلف است که می‌تواند به طور خودکار از طریق تجربه و داده‌های قدیمی بهبود یابد و مدل را بسازد. مدل یادگیری ماشین شبیه نرم افزار کامپیوتری است. الگوریتم های ماشین لرنینگ، الگو هایی را در داده های آموزشی کشف می‌کنند. و روند جدیدی را بر اساس آن پیشبینی می‌کند.

فهرست:

• مدل یادگیری ماشین چیست؟
• مدل یادگیری با نظارت
• الگوریتم های یادگیری با نظارت
• مدل یادگیری بدون نظارت
• الگوریتم های یادگیری بدون نظارت
• نتیجه گیری و کلام آخر

________________________________________________________________________________________________________________

مدل یادگیری ماشین چیست؟

مدل های یادگیری ماشین را می‌توان برنامه ای در نظر گرفت. که برای یافتن الگو ها در داده های جدید و پیشبینی آن ها آموزش دیده اند. ابتدا این مدل‌ها روی مجموعه‌ای از داده‌ها آموزش داده می‌شوند. سپس یک الگوریتم روی داده‌ها برای یادگیری آن ها اعمال می‌شود( فاز train). در فاز test پس از آموزش داده ها، از آنها برای پیش بینی مجموعه داده های جدید استفاده می‌شود. در مقاله‌ی یادگیری تقویتی، با جزئیات این مدل را بررسی کردیم و اکنون دو مدل دیگر را مورد بررسی قرار خواهیم داد.

انواع مدل های یادگیری ماشین:

1. یادگیری با نظارت( supervised learning)
2. یادگیری بدون نظارت( unsupervised learning)
3. یادگیری تقویتی( Reinforcement Learning)

مدل یادگیری با نظارت

یادگیری با نظارت، ساده‌ترین مدل یادگیری ماشین است. که در آن داده های ورودی یا داده های آموزشی توسط مدلی آموزش داده می‌شود. انجام این کار نیازمند تعریف تابعی است. که بتوانیم با استفاده از آن داده های آموزشی را آموزش دهیم سپس داده های جدید را پیشبینی کنیم. در واقع مهم ترین اصل و تفاوت این مدل با مدل بادگیری بدون نظارت، در داشتن برچسب یا label است.

الگوریتم های یادگیری با نظارت

یادگیری با نظارت، خود به دو دسته تقسیم می‌شود:

1. رگرسیون( regression):از الگوریتم های رگرسیون می‌توان به رگرسیون خطی(linear regression)، درخت تصمیم( decision tree) و جنگل تصادفی( random forest ) اشاره کرد.
2. طبقه بندی(classification): از الگوریتم های طبقه بندی می‌توان به رگرسیون لجستیک( logistic regression)، ماشین بردار پشتیبان( support vector machine) و بیز ساده( Naïve Bayes) اشاره کرد.

مدل یادگیری بدون نظارت

مدل های یادگیری بدون نظارت بر خلاف مدل های یادگیری با نظارت، فرایند یادگیری را به گونه ای پیاده سازی می‌کند. که مدل را قادر می‌سازد. که از مجموعه داده های آموزشی بدون برچسب یاد بگیرد. چون مدل به تنهایی فرایند یادگیری را طی می‌کند، آن بدون نظارت( unsupervised) می‌گویند.

الگوریتم های یادگیری بدون نظارت

مدل های یادگیری بدون نظارت عمدتا برای انجام سه کار استفاده می شود که به شرح زیر است:

1. خوشه بندی( clustering): خوشه بندی یکی از تکنیک های یادگیری بدون نظارت است. اشیایی که بیشترین شباهت را دارند در یک گروه باقی می‌مانند و هیچ شباهتی با گروه های دیگر ندارند یا شباهت آن ها بسیار کم است.
2. کاهش ابعاد( Dimensionality Reduction): تکنیک مورد استفاده به عنوان تکنیک کاهش ابعاد شناخته می‌شود.

نتیجه گیری و کلام آخر

در بخش فوق، مدل ها و الگوریتم های مختلف یادگیری ماشین را مورد بحث قرار دادیم. در نتیجه، در این مقاله مدل های اصلی و الگوریتم های مرتبط با آن ها را بررسی کردیم.

بیشتر بدانید: مدل Catboost و کاربرد آن