آموزش یادگیری ماشین - تست تمرین

یادگیری ماشین رشته‌ای از علوم کامپیوتر است که با مشکل یافتن توابع ریاضی و آماری سروکار دارد که رابطه بین داده‌های ورودی، داده‌های خروجی و سایر ورودی‌ها (خارجی) را به بهترین نحو توضیح می‌دهند. یادگیری ماشینی در زمینه هایی مانند تشخیص، سیستم های توصیه، تشخیص تقلب، ترجمه ماشینی، تشخیص بصری و توسعه سیستم های رباتیک مستقل کاربرد دارد.

در نهایت، در اینجا بهترین سوالات MCQ یادگیری ماشین را تمرین کنید، که دانش اولیه شما را از یادگیری ماشین بررسی می‌کند.

از زیر می‌توانید برخی از نکات اساسی یادگیری ماشین را بیاموزید که به شما در قبولی در این امتحان کمک می‌کند.

یادگیری ماشینی این است که رایانه‌ها را وادار به برنامه‌نویسی خود کنیم. اگر برنامه نویسی اتوماسیون است، پس یادگیری ماشینی فرآیند اتوماسیون را خودکار می کند.

نرم افزار نوشتن گلوگاه است، ما به اندازه کافی توسعه دهندگان خوب نداریم. بگذارید داده ها به جای افراد کار را انجام دهند. یادگیری ماشین راهی برای مقیاس‌پذیر کردن برنامه‌نویسی است.

• برنامه نویسی سنتی: داده ها و برنامه ها برای تولید خروجی روی رایانه اجرا می شوند.

• یادگیری ماشینی: داده ها و خروجی ها برای ایجاد یک برنامه روی رایانه اجرا می شوند. این برنامه را می توان در برنامه نویسی سنتی استفاده کرد.

یادگیری ماشینی مانند کشاورزی یا باغبانی است. دانه ها الگوریتم ها هستند، مواد مغذی داده ها هستند، گاردنر شما هستید و گیاهان برنامه ها هستند.

کاربردهای یادگیری ماشینی

نمونه برنامه های کاربردی یادگیری ماشین:

• جستجوی وب : رتبه بندی صفحه بر اساس آنچه که به احتمال زیاد روی آن کلیک کنید.

• زیست‌شناسی محاسباتی: داروهای طراحی منطقی در رایانه بر اساس آزمایش‌های گذشته.

• امور مالی: تصمیم بگیرید که کارت اعتباری را به چه کسی ارسال کنید. ارزیابی ریسک پیشنهادات اعتباری چگونه تصمیم بگیرید که کجا پول را سرمایه گذاری کنید.

• تجارت الکترونیک: پیش بینی ریزش مشتری. اینکه آیا یک تراکنش تقلبی است یا خیر.

• اکتشاف فضایی: کاوشگرهای فضایی و نجوم رادیویی.

• رباتیک: نحوه مدیریت عدم قطعیت در محیط های جدید. خود مختار. ماشین خودران.

• استخراج اطلاعات : از پایگاه های داده در سراسر وب سؤال بپرسید.

• شبکه‌های اجتماعی: داده‌های مربوط به روابط و ترجیحات. یادگیری ماشینی برای استخراج ارزش از داده ها.

• اشکال زدایی: در مسائل علوم کامپیوتر مانند اشکال زدایی استفاده می شود. فرآیند فشرده کار می تواند نشان دهد که اشکال می تواند کجا باشد.

عناصر کلیدی یادگیری ماشین

ده‌ها هزار الگوریتم یادگیری ماشینی وجود دارد و صدها الگوریتم جدید هر سال توسعه می‌یابد.

هر الگوریتم یادگیری ماشینی دارای سه جزء است:

• بازنمایی: چگونه دانش را نشان دهیم. مثال‌ها شامل درخت‌های تصمیم، مجموعه‌ای از قوانین، نمونه‌ها، مدل‌های گرافیکی، شبکه‌های عصبی، ماشین‌های بردار پشتیبانی، مجموعه‌های مدل و موارد دیگر است.

• ارزیابی: روشی برای ارزیابی برنامه های نامزد (فرضیه ها). به عنوان مثال می توان به دقت، پیش بینی و یادآوری، مربع خطا، احتمال، احتمال پسین، هزینه، حاشیه، آنتروپی واگرایی k-L و موارد دیگر اشاره کرد.

• بهینه سازی: روشی که برنامه های کاندید تولید می شوند که به عنوان فرآیند جستجو شناخته می شود. به عنوان مثال بهینه سازی ترکیبی، بهینه سازی محدب، بهینه سازی محدود.

همه الگوریتم های یادگیری ماشین ترکیبی از این سه جزء هستند. چارچوبی برای درک همه الگوریتم ها.

انواع یادگیری

چهار نوع یادگیری ماشینی وجود دارد:

• یادگیری تحت نظارت: (که به آن یادگیری استقرایی نیز گفته می شود) داده های آموزشی شامل خروجی های مورد نظر است. این هرزنامه است، این نیست، یادگیری تحت نظارت است.

• یادگیری بدون نظارت: داده های آموزشی شامل خروجی های دلخواه نمی شود. به عنوان مثال خوشه بندی است. تشخیص اینکه چه چیزی خوب است و چه چیزی خوب نیست.

  دشوار است

• یادگیری نیمه نظارت شده: داده های آموزشی شامل چند خروجی دلخواه است.

• یادگیری تقویتی: پاداش حاصل از یک سری اقدامات. انواع هوش مصنوعی آن را دوست دارند، جاه طلبانه ترین نوع یادگیری است.

یادگیری تحت نظارت بالغ ترین، مطالعه شده ترین و نوع یادگیری است که توسط اکثر الگوریتم های یادگیری ماشین استفاده می شود. یادگیری با نظارت بسیار ساده تر از یادگیری بدون نظارت است.

یادگیری استقرایی جایی است که نمونه هایی از یک تابع به شکل داده (x) و خروجی تابع (f(x)) به ما داده می شود. هدف از یادگیری استقرایی یادگیری تابع برای داده های جدید ( x ).

• طبقه‌بندی: زمانی که تابعی که یاد می‌گیرید گسسته است.

• رگرسیون: زمانی که تابعی که یاد می‌گیرید پیوسته است.

• تخمین احتمال: زمانی که خروجی تابع یک احتمال باشد.

یادگیری ماشینی در عمل

الگوریتم های یادگیری ماشین تنها بخش بسیار کوچکی از استفاده از یادگیری ماشین در عمل به عنوان تحلیلگر داده یا دانشمند داده است. در عمل، فرآیند اغلب به این صورت است:

1. حلقه شروع

   1. دامنه، دانش قبلی و اهداف را درک کنید. با کارشناسان حوزه صحبت کنید. اغلب اهداف بسیار نامشخص هستند. شما اغلب چیزهای بیشتری برای امتحان دارید تا بتوانید آن را اجرا کنید.

   2. یکپارچه سازی، انتخاب، تمیز کردن و پیش پردازش داده ها. این اغلب وقت گیرترین بخش است. داشتن داده های با کیفیت بسیار مهم است. هرچه داده‌های شما بیشتر باشد، به دلیل کثیف بودن داده‌ها، بدتر است. زباله داخل، زباله بیرون.

   3. مدل های یادگیری . قسمت سرگرم کننده. این بخش بسیار پخته است. ابزارها عمومی هستند.

   4. تفسیر نتایج . گاهی اوقات مهم نیست که مدل چگونه کار می کند تا زمانی که نتایج را ارائه می دهد. دامنه های دیگر نیاز دارند که مدل قابل درک باشد. شما توسط متخصصان انسانی به چالش کشیده خواهید شد.

   5. ادغام و به کارگیری دانش کشف شده. اکثر پروژه هایی که در آزمایشگاه موفق هستند در عمل استفاده نمی شوند. استفاده از چیزی بسیار سخت است.

2. حلقه پایان

این یک فرآیند کوتاه نیست، یک چرخه است. باید حلقه را اجرا کنید تا به نتیجه ای برسید که بتوانید در عمل از آن استفاده کنید. همچنین، داده‌ها می‌توانند تغییر کنند که به یک حلقه جدید نیاز دارد.