الگوریتم‌های فراگیری ماشین فرزندان هوش مصنوعی

هوش مصنوعی یا پدر علوم یادگیری؟

فراگیری ماشین یکی از انواع هوش مصنوعی (AI) است که اجازه می دهد برنامه های کاربردی در پیش بینی نتایج دقت عمل بیشتری داشته باشند بدون اینکه دوباره برنامه ریزی شوند. فرض اساسی یادگیری ماشین الگوریتمی است که می تواند داده های ورودی را دریافت کند و از تجزیه و تحلیل آماری برای پیش بینی مقدار خروجی در یک محدوده قابل قبول استفاده کند.

الگوریتم های یادگیری ماشین اغلب به عنوان نظارت یا عدم نظارت طبقه بندی می شوند. الگوریتم های تحت نظارت نیاز به انسان برای ارائه هر دو ورودی و خروجی مورد نظر، علاوه بر ارائه بازخورد در مورد دقت پیش بینی در طول آموزش دارند. پس از تکمیل آموزش، الگوریتم آنچه را که به داده های جدید آموخته اید اعمال می کند. الگوریتم های نگهداری نشده باید با داده های مورد نظر مورد آموزش قرار نگیرند. در عوض، آنها از یک رویکرد تکراری استفاده می کنند که یادگیری عمیق را برای بررسی داده ها و به نتیجه گیری می رساند. الگوریتم های یادگیری بدون نظارت، برای وظایف پردازش پیچیده تر از سیستم های یادگیری نظارت استفاده می شود.

مصارف داده کاوی:

فرایندهای درگیر در یادگیری ماشین، بسیار شبیه به داده کاوی و مدل سازی پیش بینی شده اند. هر دو نیاز به جستجو در داده ها برای یافتن الگوها و تنظیم فعالیت های برنامه بر این اساس هستند. اکثر کاربران با الگوریتم های فراگیری ماشین در فضای اینترنت که مرتبط با خرید آنها پیشنهاد می شود آشنایی دارند. این اتفاق به این دلیل است که این سیستم ها از الگوریتم های فراگیری ماشین برای اشتراک گذاری تبلیغات آنلاین در زمان اجرا استفاده می کنند. فراتر از بازاریابی شخصی، دیگر موارد استفاده از یادگیری رایانه معمولی عبارتند از: شناسایی تقلب، فیلتر کردن هرزنامه، تشخیص تهدید امنیت شبکه، پیش بینی نگهداری و ایجاد بازخوردهای خبری.

غول فضای مجازی یا فرزند هوش مصنوعی؟

برای مثال، اخبار فیس بوک برای شخصی سازی خوراک خبری هر عضو از الگوریتم های فراگیری ماشین استفاده می کند. چنانچه عضویشروع به پیمایش، خواندن یا “دوست داشتن” پست های خاص یک دوست کند،خوراک خبری شروع به نشان فعالیت نزدیکتر دوستان به پست فعلی می‌نماید. در پشت صحنه، نرم افزار به سادگی با استفاده از تجزیه و تحلیل های آماری و تجزیه و تحلیل پیش بینی برای شناسایی الگوها در داده های کاربر و استفاده از آن الگوهای برای پر کردن خوراک اخبار است. در صورتی که اعضا خواندن یا نظر دادن در پست های دوست دیگر را متوقف کند، داده های جدید در مجموعه داده ها گنجانده شده و خوراک خبر براساس آن تنظیم می شود.