ماشین لرنینگ یا همان یادگیری ماشین یکی از کاربردهای هوش مصنوعی (AI) است که سیستم ها را قادر می سازد به طور خودکار و از طریق تجربه و بدون برنامه ریزی، یاد بگیرند و خود را بهبود دهند. تمرکز این تکنولوژی بر توسعه برنامه های کامپیوتری می باشد که به داده ها دسترسی دارند و می توانند از این داده ها استفاده کرده تا خودشان یاد بگیرند.
کشف اخیری که گوگل در حال استفاده از یادگیری ماشین برای کمک به پردازش برخی از نتایج جستجوی خود است، جذب علاقه و سوالات در مورد این زمینه در هوش مصنوعی است.
سیستم های یادگیری ماشین ها از سه بخش اصلی تشکیل شده است که عبارتند از:
مدل: سیستم که پیش بینی یا شناسایی می کند.
پارامترها: سیگنالها یا عوامل استفاده شده توسط مدل برای تصمیم گیری آن.
یادگیرنده: سیستم که پارامترها و به نوبه خود مدل را تنظیم می کند با نگاهی به تفاوت های پیش بینی ها در مقابل نتایج واقعی.
ساخت مدل
همه چیز با مدل شروع می شود، یک پیش بینی که سیستم یادگیری ماشین استفاده می کند. این مدل ابتدا باید توسط یک انسان به سیستم داده شود، حداقل با این مثال خاص. در مورد ما، معلم به مدل یادگیری ماشین می گوید که انتظار دارد که برای پنج ساعت مطالعه به نمره کامل آزمون برسد.
ارائه ورودی اولیه
اکنون که مدل تنظیم شده است، اطلاعات واقعی زندگی وارد شده است. مثلا معلم ما ممکن است چهار نمره آزمون از دانش آموزان مختلف را به همراه ساعت هایی که هر یک از آنها مورد مطالعه قرار می گیرد وارد کند.
یادگیرنده می آموزد
داده هایی مانند این مورد به یک سیستم یادگیری ماشین اغلب به نام “مجموعه آموزش” یا “داده های آموزشی” نامیده می شود، زیرا توسط یادگیرنده در سیستم یادگیری ماشین برای آموزش خود برای ایجاد یک مدل بهتر استفاده می شود. یادگیرنده به نمرات نگاه می کند و ببینید که چقدر دور از مدل هستند.بعد از آن ریاضیات بیشتری برای تنظیم پیش فرض های اولیه استفاده می شود.
پیش بینی جدید دوباره انجام می شود، به طوری که انتظار می رود که زمان بیشتری را صرف کسب نمره prefect کند.
این فقط یک نمونه از این فرآیند است که کاملا ساخته شده است. مهمترین فایروال صرفا به این معنی است که یادگیرنده تنظیمات بسیار کوچک را برای پارامترها انجام می دهد تا مدل را اصلاح کند.
شستشو و تکرار
در حال حاضر سیستم دوباره اجرا می شود، این بار با مجموعه ای از نمرات جدید. نمرات واقعی در مقایسه با مدل تجدید نظر شده توسط یادگیرنده مقایسه شده است.بنابراین، یادگیرنده یک بار دیگر پارامترها را تنظیم می کند تا مدل را تغییر شکل دهند.مجموعه ای دیگر از داده های آزمون وارد می شود.مقایسه دوباره اتفاق می افتد، و یادگیرنده دوباره مدل را تنظیم می کند.
همانطور که در بالا به خوبی به آن اشاره شد، ماشین لرنینگ بیش از هرچیزی به یادگیری و استمرار در آن نیاز دارد. پس رعایت و توجه به این موضوع از اهتمام بالایی برخوردار است.
