مشاوره خانواده رایگان عطاملک

نسخه‌ی کامل: یادگیری ماشینی,Machine Learning ,هوش مصنوعی و توسعه هوشمند سازی
شما در حال مشاهده‌ی نسخه‌ی متنی این صفحه می‌باشید. مشاهده‌ی نسخه‌ی کامل با قالب بندی مناسب.
[تصویر:  examples.jpg]


یکی دیگر از خدمات شرکت پیاده سازی انواع سیستم های یادگیری ماشین جهت افزایش تدریجی بازدهی و دقت، می باشد. به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشینی (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند.

یادگیری ماشینی به بررسی روش هایی می پردازد که به رایانه ها امکان استفاده از داده ها و یادگیری از آنها برای بهبود عملکردهای مختلف را می دهد.
رشد فوق العاده ای كه اخیراً در حوزه هوش مصنوعی و كاربردهایش به وجود آمده به موازات توجه روزافزون به «یادگیری ماشین ها» به وقوع پیوسته است. حوزه «یادگیری ماشین» به توسعه نظریه های محاسباتی فرایندهای یادگیری و ساخت ماشین های یادگیری مربوط است. واضح است كه قابلیت یادگیری برای هر رفتار هوشمندانه ای ضروری است. اهمیت قایل شدن و هدف گذاری برای قدرت یادگیری ماشین در مركز برنامه های توسعه هوش مصنوعی قرار دارد.
طیف پژوهش‌هایی که در یادگیری ماشینی می‌شود گسترده‌است. در سوی نظریی آن پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو رویکرد هستند.

برای اصطلاح یادگیری ماشین تعریف های متعددی ارایه شده. از جمله این كه یادگیری ماشین، توانایی آن در یادگیری از تجربیات گذشته و یا و سوابق و انجام بهتر وظایف است. به عبارتی برای انجام بهتر كارها در آینده از گذشته تقلید می شود.بر اساس تعریفی دیگر ماشین ها چیزهایی یاد می گیرند و براساس آموخته ها رفتارشان را به نحوی تغییر می دهند كه باعث می شود در آینده وظایفشان را بهتر انجام دهند. اشیای اصلی كه در حوزه این مطالعه قرار دارند مصنوعی هستند. برنامه ریزی رایانه ای برای بهینه سازی یك عملكرد با استفاده از داده ها و تجربیات گذشته نیز از تعاریف یادگیری ماشین است.


ایجاد امکان یادگیری برای ماشین ها، همواره از پژوهش های اصلی در زمینه ی هوش مصنوعی بوده است. یادگیری بدون نظارت: قابلیت یادگیری الگو ها، از اطلاعات ورودی را فراهم میکند. یادگیری نظارت شده هم، می تواند هردو امکان: طبقه بندی و عبرت عددی را ایجاد کند. طبقه بندی این امکان را می دهد که کامپیوتر بتواند تشخیص دهد که چه چیز هایی را می توان در یک گروه خاص گنجاند. عبرت عددی (Regression takes) نیز به این صورت عمل می کند که بعد از دادن چیز هایی به عنوان ورودی به کامپیوتر و مشخص کردن خروجی دقیق آنها، کامپیوتر می تواند روابط بین ورودی و خروجی را کشف کرده و الگوریتم ها و توابع پیوسته ای را برای آنها تعیین کند. این روش برای به وجود آوردن الگوریتم های بسیار پیچیده، مفید خواهد بود. هدف یادگیری این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفه مورد نظر پیدا کند. گسترده این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهره مورد نظر تا فراگیری شیوه گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. اجازه دهید تا در این مورد مثالی بزنیم: وقتی در حال رانندگی هستید و به عابران پیاده نگاه می کنید، می توانید تا حد زیادی تشخیص دهید که آنها قصد چه کاری را دارند. مثلا می خواهند از خیابان رد شوند یا این که تاکسی بگیرند و یا این که فقط سر جای خود ایستاده اند. خب، این کار برای من و شما نسبتا ساده است اما اساسا برای نوشتن الگوریتم آن برای کامپیوتر، از دست یک انسان کاری ساخته نیست. با استفاده از روش عبرت عددی می توان با روش های خاص این مورد را با مثال های زیادی به کامپیوتر و برنامه ی مربوطه نشان داد و به تدریج الگوریتم مورد نیاز را تحویل گرفت. اما چیزی که باید هم اکنون به آن اشاره کرد، عملیات تقویت یادگیری است. این کار به این صورت انجام می پذیرد که تئوری تصمیم گیری کامپیوتر آنالیز شده و برداشت های سودمند آن تئوری، مورد تاکید قرار می گیرند. در واقع کار های درست با تشویق (به صورت اولویت دادن) و کار های غلط با تنبیه (به صورت امتیاز منفی) پاسخ داده می شوند و به همین خاطر یادگیری کامپیوتر به طور مرتب بهبود می یابد.



یادگیری بانظارت

یادگیری تحت نظارت، یک روش عمومی در یادگیری ماشین است که در آن به یک سیستم، مجموعه‌ای از جفت‌های ورودی – خروجی ارائه شده و سیستم تلاش می‌کند تا تابعی از ورودی به خروجی را فرا گیرد. یادگیری تحت نظارت نیازمند تعدادی داده ورودی به منظور آموزش سیستم است. با این حال رده‌ای از مسائل وجود دارند که خروجی مناسب که یک سیستم یادگیری تحت نظارت نیازمند آن است، برای آن‌ها موجود نیست. این نوع از مسائل چندان قابل جوابگویی با استفاده از یادگیری تحت نظارت نیستند. یادگیری تقویتی مدلی برای مسائلی از این قبیل فراهم می‌آورد. در یادگیری تقویتی، سیستم تلاش می‌کند تا تقابلات خود با یک محیط پویا را از طریق آزمون و خطا بهینه نماید. یادگیری تقویتی مسئله‌ای است که یک عامل که می‌بایست رفتار خود را از طریق تعاملات آزمون و خطا با یک محیط پویا فرا گیرد، با آن مواجه است. در یادگیری تقویتی هیچ نوع زوج ورودی- خروجی ارائه نمی‌شود. به جای آن، پس از اتخاذ یک عمل، حالت بعدی و پاداش بلافصل به عامل ارائه می‌شود. هدف اولیه برنامه‌ریزی عامل‌ها با استفاده از تنبیه و تشویق است بدون آنکه ذکری از چگونگی انجام وظیفه آن‌ها شود.
یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است که موضوع آن الگوریتم های است که به رایانه ها اجازه یادگیری می دهد.
در اغلب موارد یک الگوریتم به همراه مجموعه ای از داده ها و اطلاعات استنباطی درباره ویژگی‌های داده است. این اطلاعات اجازه می دهند درباره داده های که در آینده خواهیم دید پیشبینی هایی داشته باشیم. این کار به این دلیل چنین کاری قابل انجام است که اغلب داده های غیر تصادفی دارای الگوهایی هستند و این الگو ها به ماشین اجازه می‌دهند که مشاهدات خود را عمومیت ببخشد.

برای تعمیم دادن اطلاعات ماشین، یک مدل را با جنبه های مهم داده ها آموزش می دهد.
برای فهمیدن اینکه چطور مدل ها ایجاد می شوند، یک مثال ساده از موضوع پیچیده یعنی فیلتر کردن ایمیل ها را در نظر بگیرید.
در نظر بگیرید شما حجم زیادی هرزنامه دریافت می کند که دربردارنده کلمات "داروخانه آنلاین" می باشد.به عنوان یک انسان شما کاملا مجهز به سیستمی هستید که این الگو را درک کنید و به سرعت هر پیغام با این کلمات را بعنوان هرزنامه شناسایی کنید که باید مستقیما حذف و یا به سطل زباله منتقل شوند. این یک تعمیم است – شما در حقیقت یک مدل ذهنی از هرزنامه در ذهن خود ساخته اید. بعد از اینکه شما چند مورد از پیغام ها را گزارش می کنید، الگوریتم طراحی شده برای یادگیری ماشین باید توانایی ایجاد چنین تعمیم مشابه‌ی برای سیستم بدهد.
الگوریتم های یادگیری ماشین متفاوتی وجود دارند. هرکدام دارای نقاط قوت خاص خود هستند و برای حل انواع مختلفی از مشکلات طراحی شده اند.
بعضی از آنها مانند درخت تصمیم واضح هستند، بنابراین مشاهده گر می تواند به صورت کامل مراحل نتیجه گیری توسط ماشین را بفهمد. بعضی مانند شبکه های عصبی مانند یک جعبه سیاه عمل می کنند، یعنی آنها یک پاسخ برمی گردانند، اما اغلب خیلی سخت می توان مراحل و دلایل انتخاب در پشت آن را باز تولید کرد.
بسیاری الگوریتم های یادگیری ماشین با تکیه بسیاری بر ریاضیات و آمار ایجاد شده اند. بر طبق تعریف‌ی که پیشتر ارائه شد، شما حتی می توانید بگوید که یک تحلیل همبستگی و رگرسیون ساده هر دو شیوه های از یادگیری ماشین هستند. این کتاب فرض نمی کند که کاربر در سطح بالایی از دانش آمار قرار دارد، بنابراین من سعی کرده ام تا آمار استفاده شده را تا حد امکان به صورت سر‌راست توضیح دهم.


برخی از زمینه هایی که یادگیری ماشین در آن ها کاربرد دارد:


  • روانشناسی

  • فلسفه

  • تئوری اطلاعات

  • آمار و احتمالات

  • تئوری کنترل

  • کنترل روبات

  • داده کاوی

  • تشخیص گفتار

  • شناسائی متن

  • پردازش داده های اینترنتی

  • بازی های کامپیوتری





اطلاعات تماس

وبسایت : www.itresearches.ir

دفتر : تهران - اقدسیه – نرسیده به مینی سیتی – جنب بانک پاسارگاد – پلاک 113 – طبقه 4

اصفهان - چهارباغ بالا - مجتمع پارسیان - طبقه 3 - واحد 511

دفتر ارمنستان : ایروان، مرکز تجاری سیتادل، شماره 205
شماره تماس : 021284282

بخش برنامه نویسی : 02128429090

بخش محصولات مایکروسافت : 02128429091

دفتر اصفهان : 03195014947

دفتر ارمنستان : +37460640221


ایمیل-مدیریت : Iran@itresearches.co.uk
ایمیل-پشتیبانی : support@itresearches.ir
ایمیل-ارتباطات : info@itresearches.ir
فروش لایسنس های مایکروسافت : sales@itresearches.ir

http://itresearches.ir/%DB%8C%D8%A7%...8C%D9%86%DB%8C