[vc_row][vc_column][vc_column_text]

Machine Learning و کاربرد های رایج آن در زندگی روزمره:

ماشین لرنینگ (Machine Learning) عبارت است از استخراج دانش(Knowledge) از داده ها(Data). این یک زمینه تحقیقاتی در همپوشانی آمار، هوش مصنوعی و علوم رایانه است. همچنین به عنوان تجزیه و تحلیل پیش بینی یا یادگیری آماری نیز شناخته می شود. استفاده از روش های Machine learning در سال های اخیر در زندگی روزمره همه گیر شده است. بسیاری از وب سایت ها و دستگاه های مدرن، الگوریتم های یادگیری ماشین را در هسته اصلی خود دارند. اگر بخواهیم به چند نمونه از کاربرد های رایج آنها اشاره کنیم، می توان به موارد زیر اشاره کرد:

1. توصیه های خودکار اینکه کدام فیلم ها پیشنهاد می شوند که تماشا کنید
2. چه غذایی را سفارش دهید
3. کدام محصول را بخرید
4. به چه رادیوی آنلاینی که شخصی شده (با توجه به علایق شما در حوزه موسیقی و صدا) گوش دهید
5. کدام دوستان خود را در عکس های خود بشناسید

وقتی به یک وب سایت پیچیده مانند فیس بوک، آمازون، یوتیوب یا Netflix نگاه می کنید، به احتمال زیاد هر قسمت از سایت حاوی چندین مدل یادگیری ماشین است.

چند مورد از کاربرد های جذاب ماشین لرنینگ (Machine Learning):

خارج از کاربردهای تجاری، ماشین لرنینگ (Machine Learning) تأثیر بسزایی در نحوه انجام تحقیقات داده محور و همچنین عملیاتی دارد. ابزارهایی در منابع و کتب مختلف برای مشکلات مختلف علمی معرفی و استفاده می شوند. مواردی مانند درک ستاره ها، یافتن سیارات دور، کشف ذرات جدید، تجزیه و تحلیل توالی DNA و ارائه درمان های شخصی سرطان.

برای بهره مندی از Machine Learning، نیازی نیست که برنامه شما به اندازه این نمونه ها، در مقیاس وسیع یا بسیار بزرگ باشد. در ادامه مطالب، ما توضیح خواهیم داد که چرا یادگیری ماشین بسیار رایج شده است. همچنین درمورد اینکه با استفاده از یادگیری ماشین می توان انواع مشکلات را حل کرد، بحث خواهیم کرد. سپس، با معرفی مفاهیم مهم در این راه، به شما نشان خواهیم داد که چگونه اولین مدل یادگیری ماشین خود را بسازید.

یک دیدگاه کلی از Machine Learning :

ماشین لرنینگ (Machine Learning) را می توان به طور کلی به عنوان روشی محاسباتی تعریف کرد. روشی که با استفاده از تجربه برای بهبود عملکرد یا پیش بینی دقیق تعریف می شود. در اینجا، تجربه به اطلاعات گذشته در دسترس یادگیرنده اشاره دارد. که به طور معمول به شکل داده های الکترونیکی جمع آوری شده و برای تجزیه و تحلیل در دسترس است. این داده ها می تواند به صورت مجموعه های آموزشی دیجیتالی شده باشد. یا با برچسب انسان یا انواع دیگری از اطلاعات بدست آمده از طریق تعامل با محیط باشد. در همه موارد، کیفیت و اندازه آن برای موفقیت در پیش بینی های یادگیرنده بسیار مهم است.

Machine Learning شامل طراحی الگوریتم های پیش بینی کارآمد و دقیق است. همانند سایر زمینه های علوم کامپیوتر و مهندسی، برخی معیارهای مهم دارد. معیار هایی از قبیل کیفیت این الگوریتم ها، پیچیدگی زمانی و مکانی آن ها. اما در Machine Learning، برای ارزیابی حجم نمونه (sample) مورد نیاز الگوریتم برای یادگیری خانواده مفاهیم، به مفهوم پیچیدگی (Complexity) نمونه نیز نیاز خواهیم داشت. به طور کلی، تضمین هایی برای یادگیری نظری برای یک الگوریتم در نظر گرفته می شود و به آن ها بستگی دارد. مواردی از قبیل پیچیدگی کلاس های مفهومی در نظر گرفته شده و اندازه نمونه آموزش.

مدل تحلیلی، مدل شبیه سازی و مدل یادگیری ماشین (Machine Learning) :

ممکن است در بسیاری از پروژه ها و سیستم ها، ما به دنبال مواردی کاربردی باشیم. مواردی از قبیل تقویت قدرت پیش بینی و عملکرد سیستم با استفاده از ترکیب و مدل سازی تحلیلی و ماشین لرنینگ (Machine Learning). رویکردهای کلاسیک برای پیش بینی عملکرد به دو تکنیک بر میگردند:

Machine Learning (ML) و Analytical Modeling (AM). ماشین لرنینگ (ML) رویکردی را در پیش می گیرد که دقت آن به شدت به نمایندگی مجموعه داده مورد استفاده در مرحله آموزش اولیه بستگی دارد. به طور خاص، می تواند به دقت بسیار خوبی در مناطقی از فضای ویژگی ها برسد که در طول فرایند آموزش به راحتی مورد بررسی قرار گرفته اند.

مدل تحلیلی از دیدگاهی دیگر:

برعکس، تکنیک های مدل سازی تحلیلی (AM) به هیچ آموزش یا حداقل آموزشی نیاز ندارند. از این رو پتانسیل پشتیبانی از نمونه سازی سریع مدل عملکرد سیستم هدف را به نمایش می گذارند. با این حال، برای اطمینان از قابلیت انعطاف پذیری شان، آنها معمولا به مجموعه ای از فرضیات ساده تکیه می کنند. در نتیجه، دقت AM می تواند به طور جدی در سناریوهایی (به عنوان مثال، شرایط بار کاری(Workload Conditions)) که با چنین فرضیاتی مطابقت ندارند، به چالش کشیده شود.

موفقیت یک الگوریتم یادگیری (Learning) به داده های استفاده شده بستگی دارد. لذا یادگیری ماشین ذاتا به تجزیه و تحلیل داده ها و آمار مربوط می شود. به طور کلی، تکنیک های یادگیری، روش های مبتنی بر داده هستند. روش هایی که مفاهیم اساسی در علوم کامپیوتر را با ایده هایی از آمار، احتمال و بهینه سازی ترکیب می کنند.

در حالت کلی پژوهش هایی در زمینه ارتباط بین مدل های تحلیلی، ارائه مدل های شبیه سازی و همچنین مدل هایی برپایه ماشین لرنینگ (Machine Learning) به منظور افزایش بازدهی و عملکرد سیستم ها در حال انجام است.

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: مباحث اصلی و کلیدی

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]