یادگیری ماشین یکی از شاخه های بسیار کاربردی هوش مصنوعی می باشد. مفهوم یادگیری ماشین سعی دارد تا مسائل موجود را توسط الگوریتم های یادگیری حل نماید و به عبارتی دیگر به رایانه ها قدرت یادگیری می بخشد. برای درک بهتر این مفهوم به مثال زیر توجه فرمایید.

فرض کنید سیستم تشخیص علائم راهنمایی رانندگی داشته باشید که بر روی ماشین تعبیه شده باشد و این سیستم پیش از استفاده، توسط الگوریتم های یادگیری نمونه های از پیش برچسب گذاری شده را فرا گرفته باشد که در اینجا منظور از برچسب عنوان علامت تصویری بصورت متنی یا کدی معادل آن می باشد. از این به بعد سیستم می تواند با دیدن نمونه علامت راهنمایی و رانندگی در خیابان عنوان یا کد علامت را به سیستم اعلام نماید.


شکل زیر مثالی از یادگیری ماشین می باشد که در آن منحنی و خط هر دو سعی دارند داده ها یا همان نقاط سفید و سیاه را به دو روش خطی و غیر خطی ظبقه بندی نمایند.


به طور کلی یادگیری ماشین به چند زیر گروه تقسیم می شود:

  1. یادگیری با ناظر
  2. یادگیری نیمه ناظر
  3. یادگیری بدون ناظر

یادگیری با ناظر

یادگیری با ناظر یا Supervised Learning نوعی از یادگیری می باشد که در آن داده ها به چند کلاس مشخص تقسیم می شوند و داده ها در آن دارای برچسب می باشند. برای نمونه دیتاست بسیار معروف MNIST مجموعه ای از تصاویر مربوط به ارقام دستنویس می باشد که برای هر تصویر بصورت متنی مشخص شده که هر تصویر معرف چه عددی می باشد و این اطلاعات در یک فایل متنی ذخیره شده است.

یادگیری نیمه ناظر

یادگیری نیمه ناظر یا نیمه نظارتی یا Semi-Supervised Learning نوعی از یادگیری ماشین می باشد که در آن مخلوطی از دو گروه داده برچسب خورده و بدون برچسب استفاده می شود. تحقیقات نشان می دهند که استفاده از این نوع یادگیری در برخی مسائل می تواند دقت مدل را به صورت قابل توجهی افزایش دهد. فرض کنید دیتاستی از چهره افراد مختلف داشته باشیم که صاحب برخی از چهره ها مشخص باشد و برخی دیگر نامشخص باشند در حل اینگونه مسائل می توان از ترکیب هر دو گروه برای تعلیم مدل استفاده نمود.

یادگیری بدون ناظر

یادگیری بدون ناظر یا Unsupervised Learning زمانی کاربردی می شود که داده ها برچسب گذاری نشده باشند. معمولا از روش های یادگیری بدون ناظر برای کاهش ابعاد بردار ویژگی استفاده می شود. یادگیری بدون ناظر می تواند ساختار پنهان داده بدون برچسب را درک نموده و توضیح دهد.
استفاده از کلیه مطالب با ذکر منبع و لینک بلامانع است