معرفی انواع روش های یادگیری ماشینی

معرفی انواع روش های یادگیری ماشینی

در این مقاله انواع روش های یادگیری ماشینی را بررسی می کنیم، پس اجازه دهید این روش ها را یاد بگیریم.

• یادگیری درخت تصمیم
• قانون وابستگی را یاد بگیرید
• شبکه های عصبی مصنوعی
• یادگیری عمیق
• برنامه نویسی منطق استقرایی
• خوشه بندی(Clustering)
• شبکه های بیزی(Bayesian networks)
• یادگیری بازنمایی (Representation learning)
•  فرهنگ لغت تُنُک (Sparse dictionary learning)

یادگیری درخت تصمیم

روش یادگیری درخت تصمیم از درخت تصمیم به عنوان یک مدل پیش‌بینی‌کننده استفاده می‌کند که مشاهدات موجود در مورد یک موجود را در نتیجه‌گیری در مورد ارزش عینی شی می‌نویسد.

قانون وابستگی را یاد بگیرید

یادگیری قانون وابستگی راهی برای کشف روابط جالب بین متغیرها در پایگاه داده های بزرگ است.

شبکه های عصبی مصنوعی

الگوریتم شبکه عصبی مصنوعی (ANN) که معمولاً به عنوان «شبکه عصبی» (NN) شناخته می‌شود، الگوریتمی است که توسط ساختار و جنبه‌های عملکردی شبکه‌های عصبی بیولوژیکی ایجاد می‌شود. همچنین در این شبکه محاسبات در گروه های نورون مصنوعی ساختار یافته و اطلاعات را به صورت محاسباتی پردازش می کنند. شبکه‌های عصبی مدرن ابزارهایی برای مدل‌سازی غیرخطی داده‌های آماری هستند. بنابراین این شبکه‌ها معمولاً برای مدل‌سازی ارتباطات پیچیده بین ورودی‌ها و خروجی‌ها، مدل‌سازی داده‌ها یا به‌دست آوردن ساختاری آماری در توزیع شانس دوگانه در بین متغیرهای مشاهده‌ شده استفاده می‌شوند.

یادگیری عمیق

در سال‌های اخیر، کاهش هزینه‌های سخت‌افزار و تولید پردازنده‌های گرافیکی برای استفاده شخصی، به ایجاد مفهوم یادگیری عمیق کمک کرده است که از چندین لایه پنهان در یک شبکه عصبی مصنوعی تشکیل شده است. همچنین، این روش سعی می‌کند مدل‌سازی کند که مغز انسان چگونه نور و صدا را به بینایی و شنوایی پردازش می‌کند. علاوه بر این، برخی از کاربردهای موفق یادگیری عمیق شامل جوایز بینایی ماشین و گفتار است.

برنامه نویسی منطق استقرایی

برنامه نویسی منطقی استقرایی (ILP) راهی برای نشان دادن یادگیری با استفاده از برنامه نویسی منطقی به عنوان ارائه یکنواخت ورودی (داده ها)، جزئیات پس زمینه و فرضیه ها است. سیستم ILP با رمزگذاری دانش پیشینه عمومی و مجموعه ای از مثال ها که به عنوان پایگاه داده ای از حقایق نمایش داده می شود، یک برنامه منطقی را استخراج می کند که همه مدل های مثبت را برمی گرداند و به یکی از نمونه های مخالف منجر نمی شود. برنامه نویسی استقرایی یک رشته مرتبط است که شامل زبان برنامه نویسی برای نمایش فرضیه ها (و نه فقط برنامه نویسی منطقی) مانند برنامه های موجود است.

خوشه بندی(Clustering)

تجزیه و تحلیل خوشه ای به معنای دادن مجموعه ای از عبارات به زیر مجموعه ها (به نام خوشه) است. ایده های درون یک خوشه بر اساس یک معیار یا معیار از پیش تعیین شده مشابه هستند و نظرات در سایر خوشه ها متفاوت است. تکنیک‌های خوشه‌بندی مختلف، فرضیه‌های مختلفی در مورد ساختار داده‌ها دارند، که اغلب با یک متریک شباهت تعریف می‌شوند و برای مثال، با تراکم داخلی (شباهت بین اعضای یک خوشه) و جداسازی بین خوشه‌های مختلف ارزیابی می‌شوند. روش های دیگر بر اساس چگالی محاسبه شده و همبستگی نمودار است. خوشه بندی یک روش یادگیری بدون نظارت و یک روش استاندارد برای تجزیه و تحلیل داده های آماری است.

شبکه های بیزی(Bayesian networks)

شبکه بیزی یا مدل گراف جهت دار غیر دایره ای، یک مدل نمودار احتمالی است که مجموعه ای از متغیرهای تصادفی را نشان می دهد. همچنین و استقلال شرطی آنها توسط یک گراف جهت دار غیر دایره ای (DAG). به عنوان مثال، شبکه بیزی می تواند پیوندهای بالقوه بین مشکلات و علائم را پیش بینی کند. با علائم، شبکه می تواند احتمال شرایط مختلف را محاسبه کند. الگوریتم های عملی هستند که استنتاج و یادگیری را انجام می دهند.

یادگیری بازنمایی(Representation learning)

هدف برخی از الگوریتم‌های یادگیری، عمدتاً الگوریتم‌های یادگیری بدون نظارت، نمایش بهتر ورودی‌های ارائه‌شده در آموزش است. مدل‌های کلاسیک در این زمینه، تحلیل مؤلفه‌های اصلی و تحلیل خوشه‌ای هستند. الگوریتم های یادگیری نمایشی اغلب سعی می کنند اطلاعات را در ورودی ها حفظ کنند. با این حال، آنها می خواهند آن را به راهی برای ایجاد ورودی مفید، اغلب در مرحله پیش پردازش قبل از طبقه بندی یا پیش بینی، و توانایی بازسازی اطلاعات تبدیل کنند. داده‌هایی را ارائه می‌کند که از یک تخصیص ناشناخته تولید کننده داده می‌آیند در حالی که لزوماً به ویژگی‌های بعید تحت آن توزیع وفادار نیست.

الگوریتم‌های یادگیری منیفولد(Manifold ) سعی می‌کنند همین کار را انجام دهند زیرا نمایش آموخته‌شده ابعاد پایینی دارد. الگوریتم های کدگذاری نازک سعی می کنند همین کار را با این محدودیت انجام دهند که تصویر فکری محدود است (یعنی صفرهای زیادی دارد).

الگوریتم‌های یادگیری زیرفضای چندخطی، نمایش‌های کم‌بعدی را مستقیماً از نمایش‌های تانسور داده‌های چندبعدی بدون دادن اشکال برداری (بُعد بالا) به آنها می‌آموزند. بنابراین الگوریتم‌های یادگیری عمیق چندین سطح بیان یا یک سری ویژگی‌ها را کشف می‌کنند که سطوح بالاتر و قطعات مفهومی‌تر از نظر اجزای سطح پایین‌تر محدود (یا تولید می‌شوند). همچنین، استدلال شده است که یک ماشین هوشمند ماشینی است که نمایشی را می آموزد که جنبه های اساسی تغییر را که داده های تجربی را توصیف می کند متمایز می کند.

یادگیری فرهنگ لغت فرهنگ لغت تُنُک(Sparse dictionary learning)

در این روش، داده ها به صورت مخلوط خطی از اجزای اساسی نمایش داده می شوند و اعتقاد بر این است که ضرایب این تنوع فرهنگ لغت تُنُک است. فرض کنید x یک داده d بعدی و D یک ماتریس d در n است، هر ستون نشان دهنده یک تابع پایه است. R ضریب عبارت x با استفاده از D است. از نظر ریاضی، یادگیری یک فرهنگ لغت نازک به معنای ترجمه یک دستگاه x ≈ Dr است که r در آن نور است. به طور کلی، n بزرگتر از d فرض می شود تا برای ظریف ترین مدل آزادی ایجاد کند.

علاوه بر این، یادگیری یک فرهنگ لغت با مدل‌های نازک «به شدت NP-سخت» و تقریبی چالش برانگیز است – یک راه خلاقانه محبوب برای یادگیری یک فرهنگ لغت ناب K-SVD.

یادگیری فرهنگ لغت ناب در چندین زمینه استفاده شده است. در دسته بندی، موضوع انتخاب کلاسی است که داده ناشناخته به آن تعلق دارد. فرض کنید برای هر نوع ظرفی از قبل ساخته شده است. سپس یک داده جدید به کلاسی مرتبط می شود که فرهنگ لغت کلاس آن بهترین تصویر را از آن داده ارائه می دهد. همچنین از یادگیری لغت ناب برای کاهش نویز تصویر استفاده شده است. ایده اصلی این است که یک تصویر واضح را می توان به صورت پراکنده توسط فرهنگ لغت تصویر نشان داد، اما نویز نمی تواند.

جمع بندی

بنابراین در این مقاله انواع روش های یادگیری ماشینی و هر نکته ضروری در مورد آنها را توضیح دادیم.