یادگیری ماشین

مدل های یادگیری ماشین به سه دسته اصلی تقسیم می شوند:

یادگیری ماشینی تحت نظارت

یادگیری نظارت شده، همچنین به عنوان یادگیری ماشین نظارت شده شناخته می شود، با استفاده از مجموعه داده های برچسب گذاری شده برای آموزش الگوریتم ها برای طبقه بندی داده ها یا پیش بینی دقیق نتایج تعریف می شود. همانطور که داده های ورودی به مدل وارد می شود، مدل وزن خود را تا زمانی که به طور مناسب برازش داده شود تنظیم می کند. این به عنوان بخشی از فرآیند اعتبار سنجی متقاطع برای اطمینان از اینکه مدل از برازش بیش از حد یا عدم تناسب اجتناب می کند، رخ می دهد. یادگیری تحت نظارت به سازمان ها کمک می کند تا انواع مشکلات دنیای واقعی را در مقیاسی حل کنند، مانند طبقه بندی هرزنامه ها در یک پوشه جداگانه از صندوق ورودی شما. برخی از روش‌های مورد استفاده در یادگیری نظارت شده عبارتند از: شبکه‌های عصبی، خلیج‌های ساده، رگرسیون خطی، رگرسیون لجستیک، جنگل تصادفی و ماشین بردار پشتیبان (SVM).

یادگیری ماشینی بدون نظارت

یادگیری بدون نظارت، همچنین به عنوان یادگیری ماشین بدون نظارت شناخته می شود، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و خوشه بندی مجموعه داده های بدون برچسب استفاده می کند. این الگوریتم ها الگوهای پنهان یا گروه بندی داده ها را بدون نیاز به دخالت انسان کشف می کنند. توانایی این روش در کشف شباهت‌ها و تفاوت‌ها در اطلاعات، آن را برای تجزیه و تحلیل داده‌های اکتشافی، استراتژی‌های فروش متقابل، تقسیم‌بندی مشتری، و تشخیص تصویر و الگو ایده‌آل می‌کند. همچنین برای کاهش تعداد ویژگی های یک مدل از طریق فرآیند کاهش ابعاد استفاده می شود. تجزیه و تحلیل مؤلفه اصلی (PCA) و تجزیه ارزش منفرد (SVD) دو رویکرد رایج برای این کار هستند. سایر الگوریتم‌های مورد استفاده در یادگیری بدون نظارت شامل شبکه‌های عصبی، خوشه‌بندی k-means و روش‌های خوشه‌بندی احتمالی است.

یادگیری نیمه نظارتی

یادگیری نیمه‌نظارتی واسطه‌ای شاد بین یادگیری تحت نظارت و بدون نظارت است. در طول آموزش، از یک مجموعه داده برچسب‌دار کوچک‌تر برای هدایت طبقه‌بندی و استخراج ویژگی از یک مجموعه داده بزرگ‌تر و بدون برچسب استفاده می‌کند. یادگیری نیمه نظارت شده می تواند مشکل نداشتن داده های برچسب گذاری شده کافی برای الگوریتم یادگیری نظارت شده را حل کند. همچنین اگر برچسب گذاری داده های کافی بسیار پرهزینه باشد کمک می کند.