الگوریتم های یادگیری ماشین

یادگیری ماشین به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشین (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلم و یادگیری پیدا می‌کنند.این شاخه به این معنا است که ماشین بتواند برنامه، ساختار یا داده‌‏هایش را بر اساس ورودی‏‌ها یا در پاسخ به اطلاعات خارجی، به نحوی تغییر دهد که رفتارش به آن چه از او انتظار می‌‏رود نزدیک‏‌تر شود، به عبارت دیگر می‌توان گفت یعنی قدرت تجزیه تحلیل داشته باشد.

وظیفه ی اساسی برای داده کاوی

اگر متن های قدیمی و کلاسیک داده کاوی را مطالعه کرده باشید، در آن چهار وظیفه ی اساسی برای داده کاوی برشمرده شده است

• دسته بندی (Classification)
• خوشه بندی (Clustering)
• تحلیل قواعد انجمنی (Association Rules)
• مصور سازی (Visualization)

در تقسیم بندی دیگر، تمام الگوریتم های داده کاوی و یادگیری ماشین به سه دسته کلی:

• یادگیری با ناظر (Supervised Learning)
• یادگیری بدون ناظر (Unsupervised Learning)
• یادگیری نیمه ناظر (Semi-Supervised Learning)

تقسیم بندی یادگیری ماشین

هر کدام از این تقسیم بندی ها الگوریتم ها و دنیای خودش را دارد ولی به طور کلی، یادگیری با ناظر با استفاده از برچسب یا label داده ها، برچسب داده های مشاهده نشده را تشخیص می دهد ولی در یادگیری بدون ناظر معمولا برچسب داده ها موجود نیست. یادگیری نیمه ناظر هم چیزی بین این دوتاست که معمولا حالت استاد-شاگردی در آن شبیه سازی می شود و استاد تنها در بعضی مواقع خاص تقلب هایی به شاگردش که الگوریتم باشد، می رساند. هر کدام از این سه حالت کلی، دنیای خاص خودشان را دارند. به طور مثال خود یادگیری با ناظر در یک دسته بندی به زیربخش های زیر می تواند تفکیک شود.

یادگیری با ناظر

• یادگیری تنبل (Lazy Learning): که با استفاده از ذخیره سازی داده ها، دسته بندی را انجام می دهند. مثال بارزش الگوریتم نزدیک ترین همسایگی (KNN) است.
• یادگیری احتمالی (Probabilistic Learning): با استفاده از تکنیک ها و روش های آماری نظیر تئوری بیزین، کار دسته بندی را انجام می دهند.
• یادگیری تقسیم و غلبه (Divide and Conquer Learning): با استفاده از استراتژی معروف انگلیس در سال های دور و شاید الان، یعنی تقسیم و غلبه، دسته بندی صورت می گیرد. مثال معروفش درخت تصمیم است.
• پیش بینی مقدار عددی (Regression Methods): در اینجا برچسب خود مقدار متغیر پاسخ است که با استفاده از الگوریتم های مختلف، پیش بینی می شود. مثال معروفش همان رگرسیون خطی است.
• روش های جعبه سیاهی (Black-box Methods): که نحوه ی عملکرد دقیق در میانه های راه اجرای الگوریتم ها قابل تفکیک نیست که عمدتا ناشی از پیچیدگی ذات متغیرها و تعداد زیاد آنهاست. اصلی ترین روش شبکه عصبی و خانواده ی پرجمعیت آن است.

• خوشه بندی افرازی (Partitioning Methods)
• خوشه بندی سلسه مراتبی (Hierarchical Methods)
• خوشه بندی چگالی محور (Density-Based Methods)
• خوشه بندی شبکه ای (Grid-Based Methods)

کاربردهای یادگیری ماشین

تاکنون کاربردهای بسیار زیادی از هوش مصنوعی و یادگیری ماشین را در زندگی روزمره تجربه کرده‌ایم. سرویس‌های ایمیل برای تشخیص اسپم از الگوریتم‌های یادگیری ماشین استفاده می‌کنند. سیستم‌های پیشنهادگر، مرتب‌سازی نتایج موتورهای جستجو، تشخیص چهره خندان برای عکاسی خودکار، همگی نمونه‌های دیگری از کاربردهای یادگیری ماشین هستند.