انواع مدل های یادگیری ماشین

یادگیری ماشین (Machine Learning) یک شاخه نوظهور از هوش مصنوعی است که در آن، به‌جای نوشتن برنامه‌هایی که به رایانه می‌گوید چگونه یک کار خاص را انجام دهد، از الگوریتم‌هایی استفاده می‌شود که با دنبال‌کردن آنها، ماشین یاد می‌گیرد که چطور آن کار را انجام دهد.
در این پست قصد داریم انواع یادگیری ماشین و زمان استفاده از هر یک از آنها را توضیح دهیم. آشنایی با این الگوریتم‌های یادگیری به شما کمک می‌کند تا با دید وسیع‌تری به هوش مصنوعی نگاه کنید و متوجه شوید که هدف از کارهایی که در این زمینه انجام می‌شود چیست.

مقاله الگوریتم های یادگیری ماشین را نیز میتوانید مطالعه کنید.

انواع یادگیری ماشین

تعریف انواع یادگیری ماشین ممکن است در سیستم‌های مختلف متفاوت باشد، اما معمولاً می‌توان انواع یادگیری ماشین را با توجه به هدف به دسته‌های زیر تقسیم‌بندی کرد:

● یادگیری تحت نظارت (Supervised learning)
● یادگیری بدون نظارت (Unsupervised Learning)
● یادگیری نیمه نظارتی (Semi-supervised Learning)
● یادگیری تقویتی (Reinforcement Learning)

یادگیری تحت نظارت (Supervised learning)

یکی از رایج‌ترین اشکال یادگیری ماشینی، یادگیری تحت نظارت است. این شیوه به دلیل استفاده از مجموعه داده‌های برچسب‌گذاری‌شده، به میزان قابل توجهی به مداخله انسانی نیاز دارد.
در این نوع از انواع یادگیری ماشین، داده‌های ورودی و خروجیِ برچسب‌گذاری‌شده دائماً به سیستم‌های آموزش‌دیده توسط انسان وارد می‌شوند. پیش‌بینی‌های ماشین پس از هر مجموعه داده جدید بهبود می‌یابند.
داده‌ها باید به ویژگی‌ها (features)، یا همان داده‌های ورودی و برچسب‌ها (labels)، یا همان داده‌های خروجی تقسیم شوند. مداخله انسان نیز برای ارائه بازخورد در مورد دقت الگوریتم یادگیری ماشین مورد نیاز است که به آن کمک می‌کند تا در طول زمان بیشتر یاد بگیرد.
یادگیری تحت نظارت، مانند سایر انواع یادگیری ماشین، به عنوان چتری برای الگوریتم‌ها و مدل‌های آماری خاص عمل می‌کند. برخی از این الگوریتم‌ها شامل الگوریتم‌های طبقه‌بندی (الگوریتم‌های طبقه‌بندی‌کننده ساده بیز، الگوریتم‌های ماشین بُرداری پشتیبان، درخت‌های تصمیم‌گیری و مدل‌های جنگل تصادفی) و الگوریتم‌های رگرسیون (رگرسیون لجستیک، رگرسیون خطی و رگرسیون کمند) هستند.

یادگیری بدون نظارت (Unsupervised Learning)

در یادگیری بدون نظارت، داده‌های خامی که نه لیبل‌گذاری و نه تَگ‌گذاری شده‌اند، توسط سیستم پردازش می‌شوند. بنابراین، انسان در این نوع از انواع یادگیری ماشین مداخله‌ای ندارد.
الگوریتم‌های یادگیری بدون نظارت، با شناسایی الگوها در یک مجموعه داده، گروه‌بندی اطلاعات بر اساس شباهت‌ها و تفاوت‌ها را انجام می‌دهند. این روش یادگیری برای وقتی که مطمئن نیستید به دنبال چه چیزی هستید، مفید است.
یادگیری بدون نظارت به ویژه در تقسیم‌بندی مشتری و مخاطب و همچنین، شناسایی الگوها در داده‌های صوتی و تصویری ضبط‌شده مفید است.
الگوریتم های خوشه بندی (خوشه‌بندی KNN، تجزیه و تحلیل مؤلفه‌های اصلی، خوشه‌بندی سلسله مراتبی و خوشه‌بندی k-means.) در این مورد بیشترین کاربرد را دارند.

یادگیری نیمه نظارتی (Semi-supervised Learning)

یادگیری نیمه نظارتی ترکیبی متعادل از یادگیری تحت نظارت و بدون نظارت است. با استفاده این نوع از انواع یادگیری ماشین، یک رویکرد ترکیبی اتخاذ می‌شود و مقادیر کمی از داده‌های برچسب‌گذاری‌شده، در کنار مقادیر بیشتری از داده‌های خام پردازش می‌شوند.
این استراتژی در مقایسه با الگوریتم‌های یادگیری بدون نظارت، در مدت زمان کمتر و به طور مفیدتری الگوهای مرتبط را شناسایی می‌کند و پیش‌بینی‌های دقیقی را ارائه می‌دهد. با این وجود برخلاف یادگیری نظارتی، این روش نیاز به صرف زمان و انرژی زیادی ندارد.
یادگیری نیمه نظارت‌شده معمولاً در برنامه‌های کاربردی مختلف، از تشخیص تقلب تا تشخیص گفتار و همچنین، طبقه‌بندی اسناد متنی استفاده می‌شود. از آنجایی که یادگیری نیمه نظارتی از داده‌های برچسب‌دار و داده‌های بدون برچسب استفاده می‌کند، اغلب به الگوریتم‌های اصلاح‌شده بدون نظارت متکی است که برای هر دو نوع داده مناسب هستند.

یادگیری تقویتی (Reinforcement Learning)

با استفاده از یادگیری تقویتی، برنامه‌های رایانه‌ای مبتنی بر هوش مصنوعی که به حسگرها مجهز هستند، به محیط اطراف خود پاسخ می‌دهند و مستقلاً تصمیم‌هایی می‌گیرند که به نتیجه دلخواه منتهی می‌شود. عوامل هوشمند، با درک و تعامل با محیط خود، از طریق آزمون و خطا یاد می‌گیرند و در نهایت از طریق تقویت مثبت یا پاداش در طول فرایند یادگیری، به مهارت بهینه می‌رسند. یادگیری تقویتی اغلب در رباتیک استفاده می‌شود و به ربات‌ها کمک می‌کند تا مهارت‌ها و رفتارهای خاصی را کسب کنند.
این نوع از انواع یادگیری ماشین از الگوریتم‌های Q-learning استفاده می‌کنند. این الگوریتم‌ها ارزش اقدامات را بر اساس پاداش‌های حاصل از آن سنجیده و از آن برای بهبود نتایج و رفتارها استفاده می‌کنند.

یادگیری تقویتی عمیق

یادگیری تقویتی عمیق که در توسعه ماشین‌های خودران، بازی‌های ویدیویی و ربات‌ها استفاده می‌شود، یادگیری عمیق (deep learning) – یادگیری ماشینی مبتنی بر شبکه‌های عصبی مصنوعی – را با یادگیری تقویتی ترکیب می‌کند. در این نوع از انواع یادگیری ماشین، اعمال یا پاسخ‌ها با واسطه محیط شبکه عصبی مصنوعی، پاداش یا مجازات می‌شوند. برای یادگیری تقویتی عمیق، به مقادیر زیادی داده و قدرت محاسباتی نیاز است.

مزایا و معایب یادگیری تحت نظارت

از آنجایی که ماشین لرنینگ نظارت شده با مجموعه داده‌های برچسب‌گذاری‌شده کار می‌کند، بنابراین می‌توانیم در مورد کلاس‌های آبجکت‌ها یا همان اشیا دید دقیق و درستی داشته باشیم. الگوریتم ماشین لرنینگ نظارت‌شده جهت پیش‌بینی خروجی طبق تجربه‌های قبلی مفید و کارآمد هستند.
از معایب یادگیری تحت نظارت نیز می‌توان به این مورد اشاره کرد که این الگوریتم‌ها قادر به حل وظایف پیچیده نیستند. در صورتی که داده‌های آزمایش با داده‌های آموزشی متفاوت باشد، این مدل یادگیری ممکن است خروجی اشتباه را پیش‌بینی کند و برای آموزش الگوریتم به زمان محاسباتی زیادی نیاز دارد.

کاربردهای یادگیری تحت نظارت

برخی از رایج‌ترین کاربردهای یادگیری تحت نظارت را در ادامه بررسی می‌کنیم:

• بخش‌بندی تصویر یا Image Segmentation: از الگوریتم های یادگیری نظارت شده در تقسیم‌بندی و بخش‌بندی تصاویر استفاده می‌شود. در این فرآیند، طبقه‌بندی تصویر بر روی داده‌های تصویری مختلف به کمک برچسب‌های از‌پیش‌تعریف‌شده انجام می‌شود. به بیان دیگر تصاویر یا فریم‌های ویدئویی به بخش‌های متعدد بخش‌بندی می‌شوند.
• تشخیص پزشکی: از الگوریتم‌های نظارت شده در زمینه پزشکی برای تشخیص موارد مختلف استفاده می‌شود. این کار با استفاده از تصاویر پزشکی و داده‌های برچسب‌گذاری‌شده انجام می‌شود.
• شناسایی اسپم یا هرزنامه: در تشخیص و فیلتر کردن هرزنامه‌ها، از الگوریتم‌های طبقه بندی استفاده می‌شود. این الگوریتم‌ها یک ایمیل را در دسته هرزنامه یا غیرهرزنامه طبقه‌بندی می‌کنند. ایمیل‌های اسپم به پوشه اسپم ارسال می‌شوند.

• تشخیص گفتار: الگوریتم‌های یادگیری نظارت شده در تشخیص و بازشناسی گفتار نیز کاربرد دارند. این الگوریتم با داده‌های صوتی آموزش داده شده است و قادر به تشخیص رمزهای عبور صوتی، دستورات صوتی و غیره است. از جمله تکنولوژی‌هایی که از این الگوریتم استفاده نموده‌اند می‌توان به الکسا، سیری و دستیار گوگل اشاره کرد.

مزایا و معایب الگوریتم یادگیری بدون نظارت

از مزایای ایین الگوریتم می‌توان به انجام کارهای پیچیده‌تر در مقایسه با الگوریتم نظارت‌شده اشاره کرد زیرا این دست از الگوریتم‌ها روی مجموعه داده‌های بدون برچسب کار می‌کنند. از معایب الگوریتم یادگیری بدون نظارت نیز می‌توان به دقت کمتر اشاره کرد زیرا مجموعه داده‌ها برچسب‌گذاری نشده‌اند. کار با یادگیری بدون نظارت دشوارتر است زیرا با مجموعه داده بدون برچسب کار می‌کند که با خروجی نگاشت نمی‌شود.

کاربردهای یادگیری بدون نظارت

یکی دیگر از انواع یادگیری ماشین، یادگیری بدون نظارت است. برخی از کاربردهای رایج مدل یادگیری بدون نظارت عبارت‌اند از:

• تجزیه و تحلیل شبکه: از یادگیری بدون نظارت برای شناسایی سرقت ادبی و حق چاپ از طریق تجزیه و تحلیل شبکه اسنادی داده‌های متنی استفاده می‌شود.
• سیستم‌های توصیه‌گر یا Recommendation Systems : سیستم‌های توصیه‌گر به طور گسترده از تکنیک‌های یادگیری بدون نظارت، برای ارائه پیشنهادهای کاربردی و مناسب در وب سایت و اپلیکیشن‌های تجارت الکترونیک استفاده می‌کند.
• تشخیص ناهنجاری: تشخیص ناهنجاری یکی از کاربردهای محبوب یادگیری بدون نظارت است؛ به این صورت که قادر به شناسایی نقاط داده غیرمعمول در مجموعه داده‌ها است. برای شناسایی تراکنش‌های تقلبی از این مدل یادگیری ماشین استفاده می‌شود.
• تجزیه مقادیر منفرد: از تجزیه مقادیر منفرد یا SVD برای استخراج اطلاعات خاص از پایگاه داده استفاده می‌کنند. به عنوان مثال، استخراج اطلاعات کاربرانی که در یک مکان خاص قرار دارد.

مزایا و معایب مدل یادگیری نیمه نظارتی

مزایای مدل یادگیری نیمه نظارتی:

• درک الگوریتم نیمه نظارتی ساده و آسان است.
• کارایی بالایی دارد.
• برای حل اشکالات الگوریتم‌های یادگیری تحت نظارت و بدون نظارت استفاده می‌شود.

معایب مدل یادگیری نیمه نظارتی:

• نتایج تکرارها ممکن است پایدار نباشد.
• نمی‌توان این الگوریتم‌ها را برای داده‌های سطح شبکه اعمال کرد.
• دقت این مدل یادگیری ماشین پایین است.

سخن آخر

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که در آن الگوریتم‌ها، الگوهایی را در داده‌ها شناسایی می‌کنند. این الگوها برای پیش‌بینی‌های دقیق یا تکمیل یک کار مشخص، مانند فیلتر‌کردن ایمیل‌های هرزنامه استفاده می‌شوند. فرآیندی که برای شناسایی الگوها در داده‌ها مورد استفاده قرار می‌گیرد، نیازی به برنامه‌نویسی ثابت یا صریح ندارد؛ بلکه ماشین‌ها از طریق آزمون و خطا و بازخورد بهینه‌سازی می‌شود. روش‌های مختلفی برای یادگیری ماشین وجود دارد. ما در این مقاله چهار نوع از انواع یادگیری ماشین را معرفی کردیم.

با شرکت در دوره یادگیری ماشین پروپژ، میتوانید نسبت به یادگیری این موارد اقدام کنید.