Filters
Close

یادگیری ماشین چیست؟ کاربردهای یادگیری ماشین

یادگیری ماشینی چیست؟

یادگیری ماشین یک روش آنالیز داده ها است که مدلسازی تحلیلی را اتومات سازی می کند. یادگیری ماشینی شاخه‌ای از هوش مصنوعی مبتنی بر این ایده است که سیستم‌ها می‌توانند از داده‌ها بیاموزند، الگوها را شناسایی نمایند و تصمیماتی با حداقل مداخله انسان اتخاذ نمایند.

تکامل یادگیری ماشین

با ظهور تکنولوژی‌های رایانشی جدید، یادگیری ماشینی امروز شبیه یادگیری ماشینی در گذشته نیست. این یادگیری از تشخیص الگو و این تئوری متولد شد که کامپیوترها بتوانند بدون برنامه‌ریزی شدن برای اجرای وظایف مشخص خودشان یادگیری را انجام دهند؛ پژوهشگران علاقه‌مند به هوش مصنوعی می خواستند که ببینند آیا کامپیوترها می توانند از داده‌های موجود، فرآیند یادگیری را انجام دهند یا نه.
جنبه تکراری یادگیری ماشین به این خاطر مهم است که وقتی مدل‌ها در معرض داده‌­های جدید قرار می‌­گیرند، آنها قادرند خود را مستقلا تطابق دهند. آنها محاسبات قبلی را برای تولید تصمیمات و نتایج قابل اتکا و تکرارپذیر یاد می گیرند.
این دانش جدیدی نیست، ولی در این اواخر بوده که انگیزش جدید یافته است.
 
با اینکه مدت‌های مدیدیست که الگوریتم‌های یادگیری ماشینی بسیاری وجود داشته‌اند، ولی قابلیت اعمال محاسبات ریاضی پیچیده بر روی داده‌های بزرگ (به طور مکرر، و مداما سریع‌تر) یک تحول جدید است. اینها معدودی از نمونه‌های بسیار علنی شده کاربردهای یادگیری ماشینی هستند که ممکن است با آنها آشنایی داشته باشید:- خودروی خودران گوگل که خیلی سر و صدا کرده است. شالوده یادگیری ماشینی.

- محصولات خدماتی آنلاینی همچون آمازون و نتفلیکس. کاربردهای یادگیری ماشینی برای زندگی همگان.
- اطلاع یافتن از اینکه مشتریان در توئیتر درباره شما چه می‌گویند. یادگیری ماشینی در ترکیب با قاعده سازی زبانی.
- تشخیص تقلب. یکی از استفاده‌های مهم و ضروری در دنیای امروز ما.

چرا یادگیری ماشینی مهم است؟

موج جدید ابراز علاقه به یادگیری ماشینی به علت همان عواملی است که داده کاوی را محبوب‌تر از همیشه کرده‌اند. چیزهایی مانند رشد حجم و تنوع داده های در دسترس، پردازش کامپیوتری که ارزان‌تر و قدرتمندتر است، و ذخیره‌سازی داده‌ها به شکلی مقرون به صرفه.
 
همه این چیزها بدان معنا هستند که امکان تولید سریع و اتوماتیک مدل‌هایی که می‌­توانند داده­های بزرگتر و پیچیده تر را آنالیز نموده و نتایج سریعتر و دقیقتری را ارائه نمایند (حتی در یک مقیاس بسیار بزرگ) وجود دارد. و با ایجاد مدلهای دقیق، یک سازمان شانس بیشتری برای شناسایی فرصتهای سودده (یا اجتناب از ریسکهای ناشناخته) خواهد داشت.

چه چیزی برای ایجاد سیستمهای خوب یادگیری ماشینی لازم است؟

- قابلیتهای آماده سازی داده ها.

- الگوریتمها: پایه و پیشرفته.

- اتوماسیون و فرایندهای مکرر.

- مقیاس پذیری.

- مدل سازی گروهی.

آیا می دانستید؟

در یادگیری ماشینی، یک هدف را یک برچسب می نامند.

در علم آمار، یک هدف یک متغیر وابسته نامیده می شود.

یک متغیر در آمار یک قابلیت در یادگیری ماشینی نامیده می شود.

یک تغییر حالت در آمار، در یادگیری ماشینی یک ایجاد قابلیت نامیده می شود. 

Leave your comment
Blog archive