دانلود پاورپوینت مروری بر مفاهیم یادگیری ماشین

یادگیری ماشین، شاخه ای از هوش مصنوعی (AI) و علوم کامپیوتر است که برای الگو قرار دادن روش یادگیری انسان ها بر استفاده از داده ها و الگوریتم ها، تمرکز می نماید و به تدریج دقت آن را بهبود می‌بخشد. این ابزار، مولفه مهم حوزه رو به رشد علم داده است. الگوریتم ها از طریق استفاده از روش های آماری، برای طبقه بندی یا پیش بینی ها، آموزش داده می شوند و بینش های کلیدی در پروژه های داده کاوی را کشف می کنند. متعاقباً، این بینش ها، تصمیم گیری را در برنامه ها و کسب و کارها هدایت می کنند و به طور ایده آل بر معیارهای کلیدی رشد تأثیر می گذارند. با ادامه گسترش و رشد کلان داده، تقاضای بازار برای متخصصان علم داده، افزایش خواهد یافت و از آنها خواسته می شود تا به شناسایی مرتبط ترین سؤالات تجاری و متعاقباً تهیه داده‌ برای پاسخ به آنها، کمک کنند.

یادگیری ماشین (ML) نوعی هوش مصنوعی (AI) است که به برنامه های نرم افزاری اجازه می دهد تا در پیش بینی نتایج، دقیق تر شوند، بدون اینکه مشخصاً برای انجام این کار برنامه ریزی شده باشند. الگوریتم های این فرآیند، از داده های تاریخی به عنوان داده های ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند. موتورهای توصیه گر، یک مورد رایج در این حوزه هستند. سایر کاربردهای محبوب عبارتند از: تشخیص تقلب، فیلتر هرزنامه، شناسایی تهدید بدافزار، اتوماسیون فرآیند کسب و کار (BPA) و نگهداری و تعمیرات پیشگویانه.

یادگیری ماشینی از این جهت مهم است که به شرکت ها دیدگاهی در مورد روند رفتار مشتری و الگوهای عملیاتی تجاری می دهد و همچنین از توسعه محصولات جدید، پشتیبانی می کند. بسیاری از شرکت های پیشروی امروزی، مانند گوگل، این ابزار را به بخش کلیدی عملیات خود تبدیل کرده اند. این فرآیند در بسیاری از شرکت ها، به یک تمایز رقابتی مهم تبدیل شده است.

این پاورپوینت در 16 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 12 آن قرار داده شده است:

روش های یادگیری ماشین

طبقه بندی کننده های یادگیری ماشین، به سه دسته اصلی تقسیم می شوند.

یادگیری نظارت شده

یادگیری نظارت شده، با استفاده از مجموعه داده های برچسب گذاری شده برای آموزش الگوریتم هایی برای طبقه بندی داده ها یا پیش بینی دقیق نتایج، تعریف می شود. هنگامیکه داده های ورودی، وارد مدل شدند، وزن اهمیت شان تا زمان برازش مدل تنظیم می گردد. این امر به عنوان بخشی از فرآیند اعتبارسنجی متقابل رخ می دهد و اطمینان می دهد که این مدل از بیش برازش یا کم برازش اجتناب می کند. یادگیری نظارت شده به سازمان ها کمک می کند تا انواع مختلف مسائل را در مقیاس دنیای واقعی حل کنند، به عنوان مثال به طبقه بندی هرزنامه ها در پوشه ای جداگانه از صندوق ورودی شما می پردازند. برخی از روش های مورد استفاده در یادگیری نظارت شده شامل شبکه های عصبی، دسته بندی های بیز ساده، رگرسیون خطی، رگرسیون لجستیک، جنگل تصادفی، ماشین بردار پشتیبان (SVM) و غیره می باشد.

یادگیری بدون نظارت

یادگیری بدون نظارت، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و خوشه بندی مجموعه داده های بدون برچسب استفاده می کند. این الگوریتم ها، الگوهای پنهان یا گروه بندی داده ها را بدون نیاز به دخالت انسان، کشف می کنند. توانایی آن در کشف شباهت ها و تفاوت های اطلاعات، آن را به یک راه حل ایده آل برای تجزیه و تحلیل داده های اکتشافی، استراتژی های فروش متقابل، تقسیم بندی مشتری، تشخیص تصویر و الگو تبدیل می کند. همچنین از طریق فرآیند کاهش ابعاد برای کاهش تعداد ویژگی های یک مدل، استفاده می شود؛ تجزیه و تحلیل مؤلفه اصلی (PCA) و تجزیه مقدارهای منفرد (SVD)، دو رویکرد رایج در این نوع یادگیری محسوب می شوند. سایر الگوریتم‌های مورد استفاده در یادگیری بدون نظارت شامل شبکه های عصبی، خوشه بندی k-میانگین، روش‌های خوشه بندی احتمالی و غیره می باشند.

یادگیری نیمه نظارتی

یادگیری نیمه نظارتی، حدّ وسط مطلوبی بین یادگیری نظارت شده و بدون نظارت ارائه می دهد. در طول آموزش، برای هدایت طبقه بندی و استخراج ویژگی، از یک مجموعه داده بزرگ تر و بدون برچسب از یک مجموعه داده برچسب دار کوچک تر استفاده می کند. یادگیری نیمه نظارتی می تواند مشکل نداشتن داده های برچسب دار کافی (یا نداشتن توانایی مالی برای برچسب گذاری کافی داده ها) را در آموزش الگوریتم یادگیری نظارت شده، حل کند.