یادگیری ماشین یا ML، کاربردی از هوش مصنوعی (AI) است که به سیستم توانایی یادگیری خودکار و بهبود تجربه را بدون برنامهریزی صریح میدهد. این ایده مبتنی بر این است که سیستمها میتوانند با حداقل دخالت انسان از دادهها بیاموزند، الگوها را شناسایی کرده و تصمیم بگیرند.
در یادگیری ماشین الگوریتمها و مدلهای ML در طیف گستردهای از برنامهها مانند فیلتر کردن ایمیل، چشم اندازهای رایانه، اتومبیلهای خودران و سایر موارد استفاده میشوند. انواع الگوریتمهای ML به وظیفه یا مسئلهای که برای حل، نزدیک شدن و نوع ورودی و خروجی در نظر گرفته شده بستگی دارد. در زیر چهار نوع محبوب الگوریتم ML شرح داده شده است.
فهرست مطالب
یادگیری تحت نظارت
این الگوریتم شامل نظارت مستقیم بر عملیات است. معمولترین کاربرد این الگوریتم پیشبینی قیمت و پیشبینی روند در فروش، تجارت خرده فروشی و تجارت سهام است. الگوریتم از دادههای ورودی برای ارزیابی احتمالات و محاسبه نتایج احتمالی استفاده میکند.
یادگیری بدون نظارت
این الگوریتم شامل کنترل مستقیم برنامهنویس نیست. این در بازاریابی دیجیتال و فناوری تبلیغات برای شناسایی مخاطبان هدف بر اساس اعتبار خاص از جمله دادههای رفتاری، دادههای شخصی، تنظیمات سفارشی در نرمافزار و غیره استفاده میشود.
یادگیری نیمه نظارت شده
این الگوریتم نشاندهنده حد وسط بین الگوریتمهای نظارت شده و نظارت نشده است. موارد استفاده ممکن است در صنایع حقوقی و مراقبتهای بهداشتی وجود داشته باشد، برای مدیریت طبقهبندی محتوای وب، تجزیه و تحلیل تصویر و گفتار.
یادگیری تقلیدی
این یادگیری نشاندهنده هوش مصنوعی واقعی ML است. کاربردهای الگوریتمهای یادگیری تقویت شده در اتومبیلهای خودران و برنامههای AlphaGo یافت میشود.
پایتون یکی از محبوبترین زبانهای برنامهنویسی ML است. برای الگوریتمهای ML مناسب است زیرا نحوی آسان دارد. پایتون کتابخانههای بسیاری برای برنامههای مختلف از جمله ML دارد. به عنوان مثال، SciPy و Numpy برای جبر خطی و شناخت روشهای هسته ML بسیار مناسب هستند. دیگر کتابخانههای رایج Scikit-learn Theano TensorFlow Keras PyTorch Pandas و Matplotlib هستند.