یادگیری ماشین (بخش اول) - معرفی

درباره مطالبی که ارائه خواهد شد:

• این مطالب که به مرور اینجا ارائه خواهد شد، خلاصه نویسی شخصی بنده از آموزش های یادگیری ماشین استاد بزرگوار سید ناصر رضوی است که می توانید جهت مشاهده مطالب کامل و دانلود ویدئو ها و اسلاید های ایشان به سایت دکتر رضوی مراجعه فرمایید.

پیش نیازهای یادگیری ماشین:

• روش های تحلیل و طراحی الگوریتم ها

- تحلیل پیچیدگی محاسباتی الگوریتم های یادگیری

• جبر خطی

- ماتریس ها، بردارها، عملیات ماتریسی و دستگاه معادلات خطی

- ماتریس وارون، بردارهای ویژه، مرتبه ماتریس و تجزیه مقادیر منفرد

• حساب چند متغیره

- مشتق، انتگرال، صفحات مماس

• احتمالات

- متغیرهای تصادفی، مقادیر مورد انتظار، واریانس و...

مطالب مورد بررسی:

• آشنایی با یادگیری ماشین
• انواع یادگیری ماشین

- یادگیری نظارت شده

* رگرسیون - رگرسیون خطی تک متغیره و چند متغیره

* دسته بندی - رگرسیون لجستیک، شبکه های عصبی، ماشین های بردار پشتیبان

- یادگیری بدون نظارت

* خوشه بندی

- یادگیری تقویتی

• نقل قول هایی در مورد یادگیری ماشین:

هر گام رو به جلو در جهت یادگیری ماشین ده ها برابر مایکروسافت ارزش دارد. (بیل گیتس)

نسل بعدی اینترنت چیزی به جز یادگیری ماشین نیست. (تونی تدر)

تعریف یادگیری ماشین:

یک حوزه مطالعاتی که به ماشین ها توانایی یادگیری می دهد، بدون اینکه نیاز باشد این ماشین ها بطور صریح برنامه نویسی شوند.

با داشتن یک وظیفه مانند T و یک معیار کارایی مانند P ، می گوییم یک برنامه کامپیوتری از تجربه E یاد می گیرد اگر معیار کارایی آن برنامه یعنی P برای انجام وظیفه T با استفاده از تجربه E بهبود یابد.

بهبود عملکرد ماشین در انجام یک وظیفه با کسب تجربه.

سوال: یک ماشین از کجا می تواند بفهمد عملکردش بهبود یافته است؟

می توانیم به ماشین پاسخ درست را برای چند نمونه محدود از ورودی ها بدهیم به این امید که بتواند آن را برای نمونه های دیگر تعمیم دهد - یادگیری نظارت شده

می توانیم به ماشین بگوییم پاسخش تا چه میزان درست بوده (مثلا با دادن یک امتیاز، پاداش و تنبیه) و خود ماشین مسئول یافتن پاسخ های درست است - یادگیری تقویتی

ممکن است هیچ اطلاعاتی در مورد پاسخ درست به ماشین ندهیم و تنها از ماشین بخواهیم ورودی هایی را که دارای وجوه مشترک هستند پیدا کند - یادگیری بدون نظارت

یادگیری نظارت شده:

ورودی: یک مجموعه آموزشی که در ان به ازای هر ورودی، پاسخ درست داده شده است. {(x1, y1), (x2, y2), ...}

هدف: یافتن یک تقریب مناسب برای نگاشت f:X->Y

توجه:

رگرسیون نوعی از یادگیری نظارت شده است که y یک مجموعه پیوسته باشد (مانند قیمت یک خانه)

دسته بندی نوعی از یادگیری نظارت شده است. پیش بینی کمیت هایی با مقادیر گسسته (مانند صفر و یک)