انواع یادگیری ماشینی چیست؟ (به علاوه زمان استفاده از آنها)

یادگیری ماشینی از الگوریتم ها و داده ها استفاده می کند تا به ماشین ها نحوه انجام وظایف خاص را آموزش دهد. این می تواند به کسب و کارها کمک کند تا با کمک نیروی انسانی یا از طریق اقدامات ماشینی به یک نتیجه دلخواه برسند. درک تفاوت‌های بین انواع یادگیری ماشینی می‌تواند به شما کمک کند تا تعیین کنید کدام یک را برای شرکت خود استفاده کنید.

در این مقاله از ایوسی، به بررسی این موضوع می پردازیم که چرا انواع مختلفی از یادگیری ماشین وجود دارد و فهرستی از چهار نوع اصلی را با توضیحاتی درباره زمان استفاده از هر کدام ارائه می دهیم.

یادگیری ماشینی چیست؟

یادگیری ماشینی نوعی از علوم کامپیوتر و هوش مصنوعی (AI) است که از داده‌ها و الگوریتم‌ها برای کپی کردن روش‌های یادگیری انسان‌ها استفاده می‌کند. از طریق استفاده از داده ها و تجربیات، ماشین ها می توانند پیش بینی ها و توصیه هایی را انجام دهند. برخی از کاربردهای رایج یادگیری ماشینی شامل ارائه توصیه‌های آنلاین، فیلتر کردن ایمیل‌های هرزنامه و ارائه نتایج جستجوی وب است. یادگیری ماشینی از الگوریتم‌هایی استفاده می‌کند که با یافتن الگوها توسعه یافته‌اند تا یک مدل را بازسازی کرده و خروجی دلخواه را تولید کنند.

مطالب مرتبط: یادگیری ماشینی در مقابل یادگیری عمیق: تفاوت چیست؟

چرا انواع مختلفی از یادگیری ماشین وجود دارد؟

انواع مختلفی از یادگیری ماشین برای کمک به حل مشکلات مختلف و دستیابی به مجموعه های مختلف اهداف وجود دارد. هر کدام مزایا و معایب خود را دارند. هنگام انتخاب روشی برای یادگیری ماشین، افراد در نظر می‌گیرند که ماشین چه کاری انجام دهد. نکته دیگر این است که آیا آنها به داده های برچسب دسترسی دارند یا خیر. در این صورت، فرد می تواند یادگیری تحت نظارت یا نیمه نظارت را انتخاب کند. با این حال، اگر کسی علاقه مند به بررسی الگوها و ساختارهای جدید باشد، ممکن است استفاده از یادگیری بدون نظارت را در نظر بگیرد.

مرتبط: نحوه ورود به یادگیری ماشینی در ۱۱ مرحله

۴ نوع یادگیری ماشینی

در اینجا لیستی از انواع مختلف یادگیری ماشین آمده است:

۱. یادگیری تحت نظارت

یادگیری تحت نظارت زمانی است که یک ماشین از داده ها و بازخوردهای انسان در مورد یک مورد استفاده می کند تا به آن کمک کند تا نتیجه دلخواه را ایجاد کند. به عنوان مثال، یک شرکت ممکن است ۵۰۰ تصویر از یک علامت توقف و ۵۰۰ تصویر را که علامت توقف نیست به دستگاه نشان دهد. در این سناریو، علامت توقف و نه علامت توقف نتیجه هستند و به داده های برچسب دار تبدیل می شوند. تحت نظارت داده های برچسب گذاری شده، ماشین در مورد رابطه علامت توقف یاد می گیرد. این به آن اجازه می دهد تا طبقه بندی کند که آیا یک تصویر علامت توقف است یا خیر.

یادگیری تحت نظارت وظیفه محور است و می تواند در پیش بینی مقدار بعدی در یک مدل مفید باشد. الگوریتم های رایج یادگیری تحت نظارت عبارتند از:

• رگرسیون خطی

• ماشین های بردار پشتیبانی (SVM)

• درختان تصمیم

• شبکه های عصبی

• بیز ساده لوح

• نزدیکترین همسایه

• درختان تقویت شده با گرادیان

• جنگل تصادفی

• رگرسیون لجستیک

مطالب مرتبط: آموزش کدنویسی

۲. یادگیری بدون نظارت

در یادگیری بدون نظارت، دستگاه فاقد کمک کاربر است. در عوض، الگوهایی را در داده‌ها پیدا می‌کند که ممکن است انسان‌ها از دست داده باشند و نتایج ناشناخته‌ای را کشف کند. برخلاف یادگیری تحت نظارت، یادگیری بدون نظارت از داده های بدون برچسب برای نقاط داده استفاده می کند. از طریق استفاده از این نقاط داده، ماشین برای کشف الگوها و ساختارهای معنادار ارجاعاتی ایجاد می کند. یادگیری بدون نظارت مبتنی بر داده است و بر یافتن خوشه ها تمرکز دارد. برخی از الگوریتم های یادگیری بدون نظارت عبارتند از:

• K-به معنای خوشه بندی است

• نقشه های خود سازماندهی

• مدل های مخلوط گاوسی

• تجزیه و تحلیل مؤلفه اصلی (PCA)

• قانون انجمن

۳. یادگیری تقویتی

یادگیری تقویتی از روش آزمون و خطا برای بهبود و یادگیری از موقعیت های جدید استفاده می کند. برای تقویت و به حداکثر رساندن اقدامات مطلوب، از یک سیستم پاداش استفاده می کند که سیگنال مثبتی برای رفتار خوب ارسال می کند. این نوع یادگیری رفتار محور است.

برای استفاده از یادگیری تقویتی، باید یک عامل و یک محیط داشته باشید که هدف آن این است که این دو را با استفاده از یک حلقه بازخورد به هم متصل کنید. به عنوان مثال، اگر می خواهید ماشین شما یک پیچ و خم را تکمیل کند، عامل الگوریتم یادگیری و محیط خواهد بود. الگوریتم های یادگیری تقویتی عبارتند از:

• یادگیری کیو

• جستجوی درخت مونت کارلو (MCTS)

• تفاوت زمانی (TD)

• مزیت ناهمزمان بازیگر- منتقد (A3C)

۴. یادگیری نیمه نظارتی

یادگیری نیمه نظارت شده از مجموعه محدودی از داده های برچسب دار برای آموزش خود در شکل دادن به الزامات یک عملیات استفاده می کند. این یادگیری مقدار کمی از داده‌های برچسب‌گذاری شده را با حجم زیادی از داده‌های بدون برچسب، با استفاده از یادگیری نظارت شده و بدون نظارت ترکیب می‌کند. این می تواند یک روش صرفه جویی در هزینه باشد زیرا فقط شامل استفاده از مقدار محدودی از داده های برچسب گذاری شده است.

برای استفاده از این نوع یادگیری، ماشین را با مقدار کمی از داده های برچسب دار آموزش دهید. سپس یک مجموعه داده بدون برچسب برای پیش بینی خروجی ها به آن می دهید. این خروجی ها برچسب های شبه هستند زیرا ممکن است نادرست باشند. هنگامی که برچسب های شبه خود را دارید، آنها را با داده های برچسب گذاری شده پیوند دهید. همچنین ورودی های داده از داده های برچسب دار را با ورودی های داده های بدون برچسب پیوند می دهید. در نهایت، مدل را با داده های برچسب آموزش دهید تا خطاها به حداقل برسد و دقت مدل بهبود یابد. برخی از الگوریتم های یادگیری نیمه نظارت شده عبارتند از:

• طبقه بندی کننده Naive Bayes خودآموز

• شبکه های متخاصم مولد (GAN)

• معماری عمومی برای مهندسی متن (GATE)

چه زمانی کسب و کارها از هر نوع یادگیری ماشینی استفاده می کنند؟

کسب و کارها بسته به اهداف نهایی خود از انواع مختلفی از یادگیری ماشینی استفاده می کنند. موارد زیر چند نمونه از زمانی است که یک شرکت ممکن است از هر نوع یادگیری ماشینی استفاده کند:

یادگیری تحت نظارت

یک شرکت ممکن است از یادگیری تحت نظارت برای اهداف زیر استفاده کند:

• پیش‌بینی ریزش مشتری، یا درصد مشتریانی که استفاده از یک محصول را متوقف کرده‌اند

• پیش بینی احتمال بسته شدن سرنخ فروش

• تخمین کشش محصول-قیمت

• دسته بندی مشتریان بر اساس عواملی مانند اینکه آیا ممکن است وام را بازپرداخت کنند یا خیر

• ارزیابی ویژگی های محصول که احتمال فروش آن را افزایش می دهد

• انجام ارزیابی ریسک

یادگیری بدون نظارت

یادگیری بدون نظارت به شرکت ها کمک می کند تا وظایف زیر را انجام دهند:

• جداسازی مشتریان به گروه های متمایز بر اساس ویژگی هایی مانند سن

• نظارت بر عملکرد کارکنان

• یافتن محصولاتی که مشتریان به احتمال زیاد در ترکیب با محصولات دیگر خرید می کنند

• تولید اطلاعات مرتبط در یک سایت موتور جستجو

یادگیری تقویتی

کسب و کارها ممکن است هنگام تلاش برای رسیدن به اهداف زیر از یادگیری تقویتی استفاده کنند:

• تعیین نتایج در پایان یک بازی ویدیویی

• شخصی سازی پیشنهادات به مشتریان

• آموزش ربات ها برای انجام وظایف

• مدیریت کارآمد منابع و کاهش مصرف

• برآورد پارامترها

یادگیری نیمه نظارتی

یادگیری نیمه نظارتی به کسب و کارها کمک می کند وظایفی مانند:

• طبقه بندی و مکان یابی تعداد زیادی از اسناد متنی برچسب دار

• دستکاری و برچسب زدن صدا و فیلم

• پردازش زبان طبیعی

• رتبه بندی ارتباط صفحات وب در یک سایت موتور جستجو