یادگیری ماشین علمی برای آسان کردن الگوریتم‌ها و مدل‌های آماری

#یادگیری ماشین علمی برای آسان کردن #الگوریتم‌ها و مدل‌های #آماری
#یادگیری ماشینی (Learning Machine) یک برنامه کاربردی از #هوش مصنوعی (AI) است که به #رایانه‌ها می‌آموزد تا آنچه به طور طبیعی برای انسان‌ها و حیوانات اتفاق می‌افتد، انجام دهند. الگوریتم‌های یادگیری ماشین از روش‌های محاسباتی برای «یادگیری» اطلاعات مستقیماً از داده‌ها بدون تکیه بر یک معادله ازپیش‌تعیین‌شده به‌عنوان مدل استفاده می‌کنند.
چرا یادگیری ماشین مهم است؟
این روزها علم و #تکنولوژی بخش مهمی از زندگی هستند که انسان‌ها چه بخواهند و چه نخواهند، نمی‌توانند مانع پیشرفت و رشد آن باشند. با افزایش داده‌های بزرگ، یادگیری ماشین به یک تکنیک کلیدی برای حل مشکلات در زمینه‌های مختلفی مانند موارد زیر تبدیل شده است:
• مالی محاسباتی، امتیازدهی اعتبار و تجارت الگوریتمی
• پردازش تصویر و بینایی کامپیوتری، تشخیص چهره، تشخیص حرکت و تشخیص اشیا
• زیست‌شناسی محاسباتی، تشخیص تومور، کشف دارو
• DNA ، تولید انرژی، پیش‌بینی قیمت و بار
• خودرو، هوافضا، تولید، تعمیر و نگهداری
• پردازش زبان طبیعی، کاربردهای تشخیص صدا

الگوریتم های یادگیری ماشین
#یادگیری ماشینی از دو نوع تکنیک استفاده می‌کند:
a. یادگیری #تحت نظارت مدلی را روی داده‌های ورودی و خروجی شناخته شده، ترسیم می‌کند تا بتواند خروجی‌های آینده را پیش‌بینی کند.
b. یادگیری #بدون نظارت الگوهای پنهان یا ساختارهای ذاتی را در داده‌های ورودی پیدا می‌کند.

تکنیک تحت نظارت و بدون نظارت یادگیری ماشین از چه چیزهایی استفاده می‌کنند؟
یک الگوریتم یادگیری #تحت نظارت مجموعه‌ای شناخته‌شده از داده‌های ورودی و پاسخ‌های شناخته شده به داده‌ها (خروجی) را می‌گیرد و مدلی را برای ایجاد پیش‌بینی‌های معقول و همچنین برای پاسخ به داده‌های جدید، آموزش می‌دهد. اگر داده‌های شناخته شده‌ای برای خروجی‌هایی که می‌خواهید پیش‌بینی کنید، دارید، از یادگیری #تحت نظارت باید استفاده کرد.
یادگیری #بدون نظارت الگوهای پنهان یا ساختارهای درونی را در داده‌ها پیدا می‌کند. این تکنیک برای استنتاج از مجموعه‌داده‌های متشکل از داده‌های ورودی بدون پاسخ‌های برچسب‌دار استفاده می‌شود.