تعریف یادگیری ماشینی: آرتور ساموئل، یک رهبر اولیه آمریکایی در زمینه بازی های کامپیوتری و هوش مصنوعی، در سال 1959 زمانی که در IBM کار می کرد، اصطلاح “یادگیری ماشین” را ابداع کرد. او یادگیری ماشینی را اینگونه تعریف کرد: «رشته مطالعاتی که به رایانه‌ها توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد». با این حال، هیچ تعریف قابل قبول جهانی برای یادگیری ماشین وجود ندارد. نویسندگان مختلف این اصطلاح را متفاوت تعریف می کنند. در زیر دو تعریف دیگر ارائه می دهیم.
یادگیری ماشینی زیرشاخه‌ای از هوش مصنوعی است که شامل توسعه الگوریتم‌ها و مدل‌های آماری است که رایانه‌ها را قادر می‌سازد تا عملکرد خود را در وظایف از طریق تجربه بهبود بخشند. این الگوریتم ها و مدل ها برای یادگیری از داده ها و پیش بینی یا تصمیم گیری بدون دستورالعمل های صریح طراحی شده اند. انواع مختلفی از یادگیری ماشین وجود دارد، از جمله یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی. یادگیری نظارت شده شامل آموزش مدلی بر روی داده های برچسب گذاری شده است، در حالی که یادگیری بدون نظارت شامل آموزش مدلی بر روی داده های بدون برچسب است. یادگیری تقویتی شامل آموزش یک مدل از طریق آزمون و خطا است. یادگیری ماشینی در طیف گسترده ای از برنامه ها، از جمله تشخیص تصویر و گفتار، پردازش زبان طبیعی و سیستم های توصیه گر استفاده می شود.
تعریف یادگیری: به یک برنامه کامپیوتری گفته می شود که از تجربه E با توجه به دسته ای از وظایف T و معیار عملکرد P یاد می گیرد، اگر عملکرد آن در وظایف T، همانطور که توسط P اندازه گیری می شود، با تجربه E بهبود یابد .
مثال ها
تعریف: برنامه کامپیوتری که از تجربه یاد می گیرد، برنامه یادگیری ماشینی یا به سادگی یک برنامه یادگیری نامیده می شود.
پیاده سازی های یادگیری ماشین بسته به ماهیت “سیگنال” یا “پاسخ” یادگیری موجود در یک سیستم یادگیری به چهار دسته عمده طبقه بندی می شوند که به شرح زیر است:
یادگیری نظارت شده، وظیفه یادگیری ماشینی یادگیری تابعی است که یک ورودی را به یک خروجی بر اساس جفت های ورودی-خروجی نمونه ترسیم می کند. داده های داده شده برچسب گذاری شده است. مسائل طبقه بندی و رگرسیون هر دو مسائل یادگیری تحت نظارت هستند.
| جنسیت | سن | برچسب |
| م | 48 | بیمار |
| م | 67 | بیمار |
| اف | 53 | سالم |
| م | 49 | بیمار |
| اف | 32 | سالم |
| م | 34 | سالم |
| م | 21 | سالم |
یادگیری بدون نظارت نوعی از الگوریتم یادگیری ماشینی است که برای استنتاج از مجموعه داده‌های متشکل از داده‌های ورودی بدون پاسخ‌های برچسب‌دار استفاده می‌شود. در الگوریتم های یادگیری بدون نظارت، طبقه بندی یا طبقه بندی در مشاهدات گنجانده نشده است. مثال: داده های زیر را در رابطه با ورود بیماران به کلینیک در نظر بگیرید. داده ها شامل جنسیت و سن بیماران می باشد.
| جنسیت | سن |
| م | 48 |
| م | 67 |
| اف | 53 |
| م | 49 |
| اف | 34 |
| م | 21 |
به‌عنوان نوعی یادگیری، شبیه روش‌هایی است که انسان‌ها برای فهمیدن اینکه اشیاء یا رویدادهای خاص از یک طبقه هستند، مانند مشاهده میزان شباهت بین اشیا، استفاده می‌کنند. برخی از سیستم های توصیه ای که در وب به صورت اتوماسیون بازاریابی پیدا می کنید بر اساس این نوع یادگیری هستند.
برای کسب اطلاعات بیشتر در مورد یادگیری تحت نظارت و بدون نظارت به: – https://www.geeksforgeeks.org/supervised-unsupervised-learning/ مراجعه کنید .
یادگیری تقویتی مشکل واداشتن یک عامل به فعالیت در جهان به منظور به حداکثر رساندن پاداش آن است.
به یادگیرنده گفته نمی شود که چه اقداماتی را مانند اکثر اشکال یادگیری ماشین انجام دهد، بلکه باید کشف کند که کدام اقدامات با امتحان کردن آنها بیشترین پاداش را دارند. به عنوان مثال – آموزش یک ترفند جدید به سگ را در نظر بگیرید: نمی‌توانیم به او بگوییم که چه کاری انجام دهد، چه کاری را انجام ندهد، اما می‌توانیم آن را پاداش/تنبیه کنیم اگر کار درست یا اشتباهی انجام داد.
هنگام تماشای ویدیو، توجه کنید که چگونه برنامه در ابتدا دست و پا چلفتی و بی مهارت است اما به طور پیوسته با تمرین بهبود می یابد تا زمانی که قهرمان شود.
برای دانستن بیشتر در مورد یادگیری تقویتی به – https://www.geeksforgeeks.org/what-is-reinforcement-learning/ مراجعه کنید .
جایی که یک سیگنال آموزشی ناقص داده می شود: مجموعه آموزشی با برخی (اغلب تعداد زیادی) از خروجی های هدف از دست رفته است. یک مورد خاص از این اصل به نام Transduction وجود دارد که در آن کل مجموعه ای از نمونه های مشکل در زمان یادگیری شناخته شده است، به جز اینکه بخشی از اهداف گم شده اند. یادگیری نیمه نظارتی رویکردی برای یادگیری ماشینی است که داده های برچسب گذاری شده کوچک را با مقدار زیادی داده بدون برچسب در طول آموزش ترکیب می کند. یادگیری نیمه نظارتی بین یادگیری بدون نظارت و یادگیری تحت نظارت قرار می گیرد.
دسته بندی دیگری از وظایف یادگیری ماشین زمانی به وجود می آید که خروجی مطلوب یک سیستم یادگیری ماشینی را در نظر بگیریم:
یادگیری ماشین زمانی مطرح می شود که مسائل را نتوان با استفاده از رویکردهای معمولی حل کرد. الگوریتم‌های ML همراه با فناوری‌های محاسباتی جدید، مقیاس‌پذیری را افزایش داده و کارایی را بهبود می‌بخشند. مدل‌های مدرن ML را می‌توان برای پیش‌بینی‌هایی از شیوع بیماری تا افزایش و سقوط سهام استفاده کرد.