آشنایی با انواع یادگیری ماشین (Types of Machine Learning)

آشنایی با انواع یادگیری ماشین

انواع متفاوتی از تکنیک های یادگیری ماشین (Machine Learning) در شاخه های متفاوت برای حل مسئله توسعه داده شده اند. این تکنیک ها با توجه به شیوه آموزش داده ها به سه دسته تقسیم می شوند که در شکل زیر قابل است.

• یادگیری با نظارت
• یادگیری بدون نظارت
• یادگیری تقویتی

شکل انواع تکنینک های یادگیری ماشین

یادگیری با نظارت بسیار شبیه به فرآیندی است که انسان آموزش می بیند. در نظر بگیرد که انسان با حل مسئله تمرینی دانش جدیدی کسب می کند. یک مسئله تمرینی انتخاب کنید. با دانش جاری مسئله را حل می کند. پاسخ را با راه حل مقایسه می کند. اگر پاسخ اشتباه باشد دانش جاری اصلاح می شود. مراحل ۱ و ۲ برای همه مسائل تمرینی حل تکرار شود. وقتی مقایسه ای بین این مثال و فرآیند یادگیری ماشین انجام شود مسئله تمرینی و راه حل با داده های آموزشی مطابقت دارد و دانش نیز با مدل مطابقت دارد. مهم ترین نکته این است که نیازمند راه حل هستیم. این موضوع جنبه حیاتی یادگیری با نظارت است. حتی نامش نیز اعمال می شود. این نام (یادگیری با نظارت) به آموزش های خصوصی اشاره دارد که معلم راه حل هایی به دانش آموزان می دهد که آنها این راه حل ها را به خاطر بسپارند. در یادگیری با نظارت، داده های آموزشی از ورودی و خروجی صحیح تشکیل شده اند. مدل فرضی، داده های ورودی را می گیرد و خروجی صحیح را تولید می کند (ورودی ، خروجی صحیح).

فرآیند یادگیری در یادگیری با نظارت یک سری اصلاح شده از مدل است که منجر به کاهش تفاوت بین خروجی صحیح و خروجی مدل با داده های یکسان می شود. اگر یک مدل کاملاً آموزش دیده باشد این مدل خروجی های صحیحی تولید می کند که با ورودی های مجموعه داده های آموزشی مطابقت دارد. در مقابل آموزش داده ها از طریق یادگیری بدون نظارت حاوی داده های ورودی بدون خروجی صحیح است (ورودی). در نگاه اول ممکن است نحوه آموزش داده ها بدون خروجی صحیح مشکل به نظر برسد. با این حال در گذشته روش های زیادی با این شیوه (یادگیری بدون نظارت) توسعه داده شده است. به طور کلی یادگیری بدون نظارت برای بررسی خصوصیات داده ها و عملیات پیش پردازش داده ها استفاده می شود. این مفهوم شبیه به دانش آموزانی است که مشکلات را با ساختار و مشخصات (داده ها) رفع می کند و نمی آموزند که چگونه مسئله را حل کنند زیرا هیچ نتیجه صحیحی وجود ندارد. یادگیری تقویتی مجموعه ای از ورودی ها، برخی خروجی ها و نمرات به عنوان داده های آموزشی است. به طور کلی زمانی که نیاز به تعاملات بهینه از جمله کنترل و بازی است مورد استفاده قرار می گیرد. ورودی، تعدادی خروجی، نمراتی برای خروجی ها این کتاب فقط یادگیری های با نظارت را پوشش می دهد. این نوع از یادگیری نسبت به یادگیری بدون ناظر و یادگیری تقویتی کاربرد بیشتری دارد و مهم تر آنکه، این اولین مفهومی است که با ورود به دنیای یادگیری ماشین و یادگیری عمیق مطالعه خواهید نمود.

شکل مسائل طبقه بندی و رگرسیون در یادگیری ماشین (وضیعت آب و هوا)

طبقه بندی و رگرسیون

دو نوع از رایج ترین انواع یادگیری با نظارت طبقه بندی و رگرسیون (Regression) است. این کلمات ممکن است ناشناخته به نظر برسند اما واقعاً چالش برانگیز نیستند. بیایید با طبقه بندی شروع کنیم. ممکن است غالب ترین کاربرد یادگیری ماشین باشد. مسائل طبقه بندی به معنای واقعی کلمه یافتن کلاس هایی است که داده ها به آنها تعلق دارند. برخی از مثال ها ممکن است به یادگیری بهتر بحث کمک کند.

• سرویس فیلتر هرزنامه – طبقه بندی نامه ها به صورت هرزنامه یا منظم
• سرویس تشخیص اعداد – طبقه بندی تصویر اعداد به یکی از دسته های ۰-۹
• سرویس تشخیص چهره – طبقه بندی تصاویر صورت به یکی از کاربران ثبت نام شده

در بخش های قبلی به این نکته پرداخته شد که یادگیری با نظارت نیازمند زوج ورودی و خروجی صحیح برای آموزش داده هاست. به طور مشابه مسائل طبقه بندی داده آموزشی به صورت (ورودی و دسته ها) می باشد. در مسائل طبقه بندی، می خواهیم بدانیم ورودی متعلق به کدام کلاس است. بنابراین جفت داده (ورودی و خروجی صحیح) صاحب دسته ای است که این دسته به جای نتیجه صحیح در نظر گرفته شده و با ورودی مطابقت دارد. بیایید با یک مثال پیش برویم. برخی مسائل گروه بندی که مورد بحث قرار گرفتند در نظر بگیرید.  مدلی که می خواهیم یادگیری ماشین به آن پاسخ دهد این است که مشخصات ورودی کاربر با مشخصات (X,Y) متعلق به کدام یک از دو دسته (علامت مثلث و دایره است ؟) به شکل زیر توجه کنید:

شکل داده های مشابه از لحاظ طبقه بندی مشاهده می شود

در این حالت داده های آموزشی از مجموعه های N عنصری خواهند بود (مااند شکل زیر).

شکل طبقه بندی داده ها

در مقابل رگرسیون هیچ کلاسی را مشخص نمی کند. به جای آن یک مقدار را تخمین می زند. به عنوان مثال، اگر مجموعه داده ای از سن و درآمد افراد داشته باشید (هر رکورد با علامت دایره نشان داده می شود) و می خواهیم مدلی را پیدا کنیم به طوری که به وسیله سن افراد درآمدشان تخمین زده شود با یک مسئله رگرسیون رو به رو هستیم.

شکل مجموعه داده های سن و درآمد

مجموعه داده هایی از این مثال در جدول در نظر گرفته شده است. به طوری که X و Y به ترتیب سن و درآمد افراد هستند.

شکل طبقه بندی داده های سن و درآمد افراد

طبقه بندی و رگرسیون بخشی از یادگیری با نظارت هستند. بنابراین داده های آموزشی به شکل ورودی و نتیجه صحیح هستند. تنها تفاوت آنها در مقادیر خروجی است. طبقه بندی از دسته ها استفاده می کند (خروجی یک مقدار گسسته است) درحالی که رگرسیون نیازمند مقادیر است (خروجی یک مقدار پیوسته است) به طور مختصر، تجزیه و تحلیل زمانی، یک نوع طبقه بندی است که در آن لازم است مدل تصمیم بگیرد که داده ورودی در کدام دسته طبقه بندی شود اما در رگرسیون مدل با توجه به جریان داده کار تخمین را انجام می دهد. یکی از کاربردهای یادگیری بدون نظارت خوشه بندی است. خوشه بندی مشخصات داده های فردی را بررسی کرده و داده های مربوطه را طبقه بندی می کند. ممکن است مفاهیم خوشه بندی و دسته بندی اشتباه گرفته شوند زیرا خروجی های آنها مشابه یکدیگر است. آنها دو رویکرد کاملاً متفاوت دارند. باید در نظر داشت که خوشه بندی و دسته بندی اصطلاحات متمایزی هستند. هنگامی که با اصطلاح خوشه بندی مواجه می شوید به خاطر بیاورید که خوشه بندی بر روی یادگیری بدون نظارت متمرکز است.

منبع: فصل اول کتاب یادگیری ماشین با MATLAB نوشته فیل کیم