[vc_row][vc_column][vc_column_text]

ماشین لرنینگ: مباحث تحقیق، مقالات و پایان نامه

بدلیل کاربرد های گسترده، بسیاری از افراد برای تحقیقات خود یکی از زمینه های Machine Learning را انتخاب می کنند. ما در این پست قصد داریم تا به معرفی محور های کلی این علم جذاب بپردازیم. در لیست زیر عنوان های کلیدی در ماشین لرنینگ را مشاهده می کنید. در ادامه به تفسیر هر یک را شرح خواهیم داد.

1. الگوریتم های ماشین لرنینگ (Machine Learning Algorithms)
2. بینایی ماشین (Computer Vision)
3. ماشین لرنینگ تحت نظارت (Supervised Machine Learning)
4. ماشین لرنینگ بدون نظارت (Unsupervised Machine Learning)
5. یادگیری عمیق (Deep Learning)
6. شبکه های عصبی (Neural Networks)
7. تقویت یادگیری (Reinforcement Learning)
8. یادگیری پیش بینی (Predictive Learning)
9. شبکه بیزی (Bayesian Network)
10. داده کاوی (Data Mining)

الگوریتم های ماشین لرنینگ (Machine Learning Algorithms):

برای شروع با ماشین لرنینگ، باید برخی الگوریتم ها را بدانید. الگوریتم های Machine Learning به سه دسته طبقه بندی می شوند که زمینه را برای یادگیری ماشین فراهم می کنند. این دسته از الگوریتم ها یادگیری تحت نظارت(Supervised Learning)، یادگیری بدون نظارت(Unsupervised Learning) و تقویت یادگیری(Reinforcement Learning) هستند. انتخاب الگوریتم ها به نوع کارهایی که می خواهید انجام شود همراه با نوع، کیفیت و ماهیت داده های موجود بستگی دارد. نقش داده های ورودی در الگوریتم های ماشین لرنینگ بسیار مهم است.

بینایی ماشین (Computer Vision):

بینایی ماشین (کامپیوتر) زمینه ای است که به ساخت سیستم هایی می پردازد که می توانند تصاویر را بخوانند و تفسیر کنند. به زبان ساده، بینایی ماشین روشی است برای انتقال هوش و بینایی انسان در ماشین ها. در بینایی ماشین، داده ها از تصاویر جمع آوری شده و به سیستم ها منتقل می شوند. این سیستم با توجه به اطلاعاتی که می بیند و تفسیر می کند، اقدام خواهد کرد.

ماشین لرنینگ تحت نظارت (Supervised Machine Learning):

این یک موضوع خوب برای پایان نامه کارشناسی ارشد ماشین لرنینگ است. این نوعی از الگوریتم ماشین لرنینگ است که براساس آن مجموعه داده های شناخته شده را پیش بینی می کند. ورودی و خروجی همراه با بازخورد (feedback) در اختیار سیستم قرار می گیرد. یادگیری تحت نظارت بیشتر در مشکلات طبقه بندی و رگرسیون طبقه بندی می شود. در مسئله طبقه بندی، خروجی یک گروه (دسته) است در حالی که در مسئله رگرسیون خروجی یک مقدار واقعی است.

ماشین لرنینگ بدون نظارت (Unsupervised Machine Learning):

این دسته دیگری از الگوریتم ماشین لرنینگ است که در آن ورودی مشخص است اما خروجی مشخص نیست. آموزش قبلی (از پیش داده شده) مانند سیستم یادگیری تحت نظارت (Supervised Learning) به سیستم ارائه نمی شود. هدف اصلی از یادگیری بدون نظارت، مدل سازی ساختار اساسی داده ها است. خوشه بندی و تجمیع، دو نوع مشکل یادگیری بدون نظارت است. k-means و الگوریتم Apriori نمونه هایی از الگوریتم های یادگیری بدون نظارت هستند.

یادگیری عمیق (Deep Learning):

یادگیری عمیق (Deep Learning) یک موضوع داغ در ماشین لرنینگ (Machine Learning) است. قبلا به آن اشاره کردیم. این بخشی از خانواده ماشین لرنینگ است و با عملکرد شبکه عصبی مصنوعی سروکار دارد. از شبکه های عصبی برای مطالعه عملکرد مغز انسان استفاده می شود. این یکی از زمینه های درحال رشد و مهیج است. یادگیری عمیق امکان اجرای عملی برنامه های مختلف ماشین لرنینگ را فراهم کرده است.

شبکه های عصبی (Neural Networks):

شبکه های عصبی سیستم هایی برای مطالعه شبکه های عصبی بیولوژیکی هستند. این یک کاربرد مهم ماشین لرنینگ است و موضوع خوبی برای پایان نامه کارشناسی ارشد و تحقیقات است. هدف اصلی شبکه عصبی مصنوعی مطالعه نحوه کار مغز انسان است. درواقع شبکه های عصبی کاربرد خود را در بینایی ماشین (Computer Vision)، تشخیص گفتار (Speech Recognition)، ترجمه ماشینی (Machine Translation) و غیره پیدا می کند. شبکه عصبی مصنوعی مجموعه ای از گره ها است که نمایانگر نورون ها هستند.

تقویت یادگیری (Reinforcement Learning):

تقویت یادگیری مقوله ای از الگوریتم های ماشین لرنینگ است. تقویت یادگیری با عوامل نرم افزاری در تعامل است تا نحوه عملکرد این عوامل در محیط را بررسی کند تا عملکرد آنها را به حداکثر برساند. تقویت یادگیری با یادگیری تحت نظارت متفاوت است به این معنا که پارامترهای ورودی و خروجی صحیح ارائه نمی شوند.

یادگیری پیش بینی (Predictive Learning):

پیش بینی یادگیری یکی دیگر از موضوعات خوب برای پایان نامه در ماشین لرنینگ است. در این تکنیک، یک مدل توسط عامل محیط خود ساخته می شود که در آن اقدامات را انجام می دهد. زمینه دیگری وجود دارد که با عنوان تجزیه و تحلیل پیش بینی (Predictive Analytics) شناخته می شود و برای پیش بینی وقایع آینده ناشناخته استفاده می شود. برای این منظور، از تکنیک هایی مانند داده کاوی، آمار، مدل سازی، ماشین لرنینگ و هوش مصنوعی استفاده می شود.

شبکه بیزی (Bayesian Network):

این شبکه ای است که روابط احتمالی را از طریق نمودار DAG نشان می دهد. DAG مخفف Directed Acyclic Graph به معنی نمودار دایره ای مستقیم است. الگوریتم هایی در شبکه بیزی (یا شبکه باور) برای استنباط و یادگیری وجود دارد. در شبکه، یک تابع احتمال برای هر گره وجود دارد که ورودی ای می گیرد تا به مقدار مرتبط با گره، یک احتمال بدهد. شبکه بیزی کاربرد خود را در بیوانفورماتیک، پردازش تصویر و زیست محاسباتی می یابد.

داده کاوی (Data Mining):

داده کاوی فرایند یافتن الگوهایی از مجموعه داده های بزرگ برای استخراج اطلاعات ارزشمند جهت تصمیم گیری بهتر است. این یک زمینه داغ برای تحقیق است. این تکنولوژی از روش ماشین لرنینگ، آمار و سیستم های پایگاه داده برای پردازش استفاده می کند. تکنیک های داده کاوی مانند خوشه بندی، تجمیع، درخت تصمیم، طبقه بندی برای فرآیند داده کاوی وجود دارد.

احد الوندی

فارغ التحصیل مهندسی برق – گرایش الکترونیک

فعال در زمینه Data Science، هوش مصنوعی و اتوماسیون صنعتی

مدرس زبان برنامه نویسی Python و نرم افزار MATLAB

https://www.linkedin.com/in/ahadalvandi[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]ماشین لرنینگ و کاربرد های آن

ده کتابخانه برتر پایتون برای یادگیری ماشین

الگوریتم های ماشین لرنینگ

ماشین لرنینگ: هوش مصنوعی و علم داده

آموزش رایگان پایتون

برای اطلاع از آخرین اخبار کنکوری و نکات مشاوره ای در کانال ارشد برق با ما همراه شوید. عضویت در کانال ارشد برق[/vc_column_text][/vc_column][/vc_row]