https://virgool.io/feed/@m_62116286 کارشناسی ارشد هوش مصنوعی دانشگاه صنعتی مالک اشتر fa 2026-04-15 10:34:30 https://files.virgool.io/upload/users/1335475/avatar/SYUoOQ.png?height=120&width=120 https://virgool.io/@m_62116286 https://virgool.io/@m_62116286/%D8%A8%D8%A7%DB%8C%D8%A7%D8%B3%DA%A9%D9%85-%D8%A8%D8%B1%D8%A7%D8%B2%D8%B4-%D9%88%D8%A7%D8%B1%DB%8C%D8%A7%D9%86%D8%B3%D8%A8%DB%8C%D8%B4-%D8%A8%D8%B1%D8%A7%D8%B2%D8%B4-gwtl59qre7eo موازنه واریانس و بایاسدر مدل‌های آماری و بخصوص الگوریتم‌های یادگیری ماشین، مسئله موازنه واریانس و بایاس (اریبی) مورد بحث قرار می‌گیرد. در اغلب «مدل‌های پیش‌بین» (Predictive Model)، وجود بایاس کوچک برای پارامترها منجر به واریانس بزرگ برای مدل خواهد شد. البته برعکس این حالت نیز وجود دارد، به این معنی که با کوچک کردن واریانس مدل، با مشکل بزرگ شدن بایاس یا اریبی پارامترها مواجه خواهیم شد.مسئله اصلی آن است که در یک مدل مناسب، هم بایاس و هم واریانس باید حداقل ممکن باشند. ولی متاسفانه، کمینه‌سازی (Minimization) هر دو این شاخص‌ها به شکل توام، امکان‌پذیر نیست. چنین وضعیتی را «تناقض واریانس-اریبی» (Bias-Variance Dilemma) می‌نامند. در ادامه هر یک از خطاها را معرفی کرده و نحوه ایجاد تعادل واریانس و اریبی را بازگو خواهیم کرد.خطای حاصل از بایاس و واریانسیک مدل آماری را در نظر بگیرید. قرار است پارامترهای این مدل توسط نمونه تصادفی برآورد شوند. به منظور اندازه‌گیری خطای مدل، مجموعه داده‌های مربوط به نمونه تصادفی را به دو بخش تقسیم می‌کنیم. قسمت اول به منظور برآورد پارامترهای مدل مورد استفاده قرار می‌گیرد، به همین علت چنین مقادیری را «داده‌های آموزشی» (Training Set) نامیده و به واسطه آن‌ها، مدل را ایجاد می‌کنیم.قسمت یا بخش دوم از نمونه تصادفی برای مشخص کردن خطای مدل به کار می‌رود زیرا قرار است این مدل به منظور پیش‌بینی مقادیر دیگری که در نمونه تصادفی وجود نداشته‌اند، به کار رود. به این ترتیب از دسته یا بخش دوم نمونه تصادفی برای محاسبه اختلاف مقادیر واقعی و نتایج حاصل برازش مدل استفاده می‌کنیم. متاسفانه از آنجایی که مدل از قبل از وجود این داده‌ها اطلاع نداشته و نتوانسته خود را برحسب آن‌ها وفق دهد، امکان کنترل این خطا وجود ندارد. برای این دسته از مقادیر نمونه از اصطلاح «داده‌های آزمایشی» (Test Set) استفاده می‌کنیم.براساس این دو بخش از نمونه تصادفی، علاقمند به ایجاد مدلی هستیم که در هر دو حالت یعنی هنگام آموزش (Train) و آزمایش (Test)، خطای کمی داشته باشد. خطای حاصل از به کارگیری مدل روی داده‌های آموزشی، بایاس مدل گفته شده و از طرفی خطای مدل روی داده‌های آزمایشی، واریانس مدل در نظر گرفته می‌شود.خطای بایاس: وجود فرضیه‌های مختلف روی مدل و الگوریتم یادگیری منجر به ایجاد خطای اریبی می‌شود. بزرگ بودن اریبی می‌تواند الگوریتم یا مدل آماری را از کشف روابط یبن ویژگی‌ها (Features) و متغیر پاسخ (Target Variable) باز دارد. اغلب بزرگ بودن خطای اریبی، منجر به «کم‌برازش» (Underfitting) می‌شود.خطای واریانس: حساسیت زیاد مدل با تغییرات کوچک روی داده‌های آموزشی، نشانگر وجود واریانس زیاد است. این امر نشانگر آن است که اگر مدل آموزش داده شده را روی داده‌های آزمایشی به کارگیریم، نتایج حاصل با داده‌های واقعی فاصله زیادی خواهند داشت. متاسفانه افزایش واریانس در این حالت منجر به مدل‌بندی مقادیر نوفه (Noise) شده و به جای پیش‌بینی صحیح، دچار پیچیدگی و مشکل «بیش‌برازش» (Overfitting) می‌شود.مشکلات استفاده از مدل‌های بایاس و با واریانس بزرگدر علم داده (Data Science)، موازنه واریانس و بایاس (اریبی) به یک مسئله اصلی در «یادگیری نظارت شده» (Supervised Machine Learning) تبدیل شده است. در حالت ایده آل، مدلی را مناسب در نظر می‌گیریم که نه تنها در داده‌های آموزش دارای عملکرد مناسب باشد، بلکه به خوبی روی مجموعه مقادیر آزمایشی نیز تعمیم داده شود. متأسفانه انجام هر دو کار به طور هم زمان غیر ممکن است. روش‌های یادگیری با واریانس بالا، ممکن است بتوانند مدل مناسبی روی داده‌های آموزشی خود ایجاد کنند، اما هنگامی که چنین مدلی به منظور پیش‌بینی مقادیر براساس داده‌های آزمایشی مورد استفاده قرار می‌گیرد در ارائه مقادیر مناسب و با خطای کم برای متغیر پاسخ ناتوان خواهد بود. در مقابل، الگوریتم‌هایی که دارای بایاس زیاد هستند، معمولاً مدل‌های ساده‌تر و با پارامترهای کمتری ایجاد می‌کنند که مشکل بیش‌بردازش نداشته ولی متاسفانه از کم‌برازش رنج می‌برند.مدل‌های با واریانس بزرگ (مثلا رگرسیون چند جمله‌ای هم‌مرتبه با تعداد مشاهدات)، که معمولاً پیچیده‌تر هستند، این امکان را می‌دهد تا داده‌های آموزشی به خوبی برازش شوند. با این وجود، ممکن است مشاهدات برازش شده دارای خطا یا نوفه باشند که متاسفانه مدل تحت تاثیر آن‌ها، برآوردها را با دقت انجام داده است. به این ترتیب پیش‌بینی‌ آن‌ها باعث افزودن پیچیدگی در مدل شده است. در حالیکه این امر از طرفی دقت برآوردها را هم برای داده‌های آزمایشی کمتر می‌کند. در مقابل، مدل‌هایی که دارای اریبی بزرگی هستند، نسبتاً ساده بوده (مثل مدل رگرسیون دو جمله‌ای یا حتی خطی) اما ممکن است واریانس کوچکتری را براساس مجموعه داده‌های آزمایشی ایجاد کنند.منبع:https://blog.faradars.org/%D9%85%D9%88%D8%A7%D8%B2%D9%86%D9%87-%D9%88%D8%A7%D8%B1%DB%8C%D8%A7%D9%86%D8%B3-%D9%88-%D8%A7%D8%B1%DB%8C%D8%A8%DB%8C/ سمیرا نامی ساعی سمیرا نامی ساعی Thu, 13 Jan 2022 22:15:03 +0330 https://virgool.io/@m_62116286/%D8%A7%D8%B9%D8%AA%D8%A8%D8%A7%D8%B1-%D8%B3%D9%86%D8%AC%DB%8C-%D9%85%D8%AA%D9%82%D8%A7%D8%A8%D9%84-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A2%D9%86-%D8%B1%D8%A7-%D8%A8%D9%87-%D8%AF%D8%B1%D8%B3%D8%AA%DB%8C-%D8%A7%D9%86%D8%AC%D8%A7%D9%85-%D8%AF%D9%87%DB%8C%D9%85-b3m9fsdto1ov دوستاي عزيزم سلام!دوست داريد يه منبع خوب در مورد Cross validation معرفي كنم براتون؟لينكي كه براتون گذاشتم عاليه:https://neptune.ai/blog/cross-validation-in-machine-learning-how-to-do-it-right البته اگر از ترجمه كردن بدتون مياد من كارتون رو راحت كردم و ترجمه لينك رو هم قرار داده ام:بخونيد و كيف كنيد!يه صلوات هم بفرستيد: سمیرا نامی ساعی سمیرا نامی ساعی Wed, 15 Dec 2021 14:36:59 +0330 https://virgool.io/@m_62116286/%D8%B3%D8%A7%D9%85%D8%A7%D9%86%D9%87-rule-base-%D8%AF%D8%B1-%D8%A8%D8%B1%D8%A7%D8%A8%D8%B1-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-stm8ohw6uv1r سامانه های قاعده پایه:(rule-base)سامانه های قاعده پایه برای پروژه ها و برنامه هایی که به مقدار کمی داده و قوانین ساده و سرراست نیازدارند، کاملا ًمناسب هستند.این را به عنوان یک سیستم مناسب برای هدف در نظر بگیرید: سیستمی کهدر پارامترهای از پیش تعیین شده خود بسیار مؤثر است و خارج از آنها بسیار بی فایده است. بنابراین،سامانه های قاعده پایه برای فرآیندهای تکراری که نیاز به تصمیم گیری انسانی کمی دارند، مانند تجزیه وتحلیل خطا، مسیریابی ایمیل با استفاده از محرکها، و جستجوی اساسی و بسیاری دیگر، عالی هستند.اگر به سرعت به اطلاعات نیاز دارید، سامانه های قاعده پایه عالی هستند، زیرا پارامترهای محدودسیستمها امکان نتایج سریع را می دهد. علاوه بر این، سامانه های قاعده پایه به طور باورنکردنی عاقلانهو کامل دیده می شوند، به همین دلیل است که اغلب در فرآیندهایی که نمیتوان خطاها را تحمل کرد،مانند تشخیص پزشکی و پردازش مالی استفاده میشود.سیستم های یادگیری ماشین:از سوی دیگر، سیستمهای MLمعمولا ًزمانی استفاده می شوند که حجم زیادی از سوابق داده های مربوطهبرای پیش بینی دقیق تر در دسترس باشد. برای هر فرآیندی که چندین عامل، موقعیت، نتایج بالقوهمتعدد دارد، سیستمهای MLبهترین گزینه هستند.سیستمهای MLزمانی استفاده می شوند که از شما خواسته می شود یک نتیجه را پیش بینی کنید، امالزوما ً نمی دانید چگونه این کار را انجام دهید. برای مثال، سیستم های MLبرای صلاحیتهای سرنخفروش و پاسخهای خودکار پشتیبانی مشتری - هر موقعیتی که دارای چند متغیر است، عالی هستند. بههمین دلیل، سیستمهای MLبرای محیط هایی که به سرعت در حال تغییر هستند مانند توصیه هایتجارت الکترونیک و پیش بینی کلی مناسبتر هستند. پیشنهادات خودکار یوتیوب و نتفلیکس مثال خوبیاز این موضوع هستند، زیرا الگوریتمها از فعالیت شما یاد می گیرند و آموزش می بینند تا اولویتهای شمارا ارزیابی کنند و محتوا را بر اساس ترجیحات شما پیشنهاد دهند.بهترین از هر دوبرخی از سیستم های موجود هستند که سیستم های هوش مصنوعی قاعده پایه را با سیستم های MLدرشرایط «بهترین هر دو دنیا» ترکیب می کنند. با ترکیب این دو رویکرد، کسب وکارها می توانند کمبود هرسیستم را جبران کنند و سیستم کاملی را برای آنها فراهم کنند که هم %100دقیق و هم قوی است.این به شکل سیستم های یادگیری ماشینی قاعده پایه (RBML )است که قادر به شناسایی و تطبیقمجموعه قوانین خود هستند. ویژگی تعیین کننده این سیستم ها توانایی آنها در شناسایی و استفاده ازمجموعه ای از قوانین رابطه ای است که به طور جمعی دانش گرفته شده توسط سیستم را نشان میدهد. این کار را با استفاده از الگوریتم یادگیری خود و تکیه بر یک پایگاه دانش انجام می دهد، به اینمعنی که برای تعریف عبارات «اگر-آنگاه» نیازی به کدگذاری یا مداخله انسانی ندارد.خلاصههر دو سیستم قاعده پایه و سیستم های MLدارای نقاط قوت و ضعف مرتبط با خود هستند. اما اینموارد را فقط می توان با نیازهای پروژه شما تعیین کرد. اگر به دقت در یک پارامتر چارچوب نسبتا ًکوچکنیاز دارید، سامانه های قاعده پایه برای شما مناسب هستند. از طرف دیگر، اگر به حجم زیادی از دادهها دسترسی دارید و نیاز به پیش بینی چیزی دارید، سیستم های MLبهترین گزینه برای شما هستند.با این حال، اگر نیازهای تجاری دارید که به دقت و پردازش داده های بزرگ برای اطلاع رسانی به پیشبینی ها نیاز دارند، ممکن است رویکرد ترکیبی همان چیزی باشد که به دنبال آن هستید.ترجمه شده از سایت زیر:https://wearebrain.com/blog/ai-data-science/rule-based-ai-vs-machine-learning-whats-/the-difference سمیرا نامی ساعی سمیرا نامی ساعی Wed, 01 Dec 2021 23:24:02 +0330 https://virgool.io/@m_62116286/%DA%86%D8%A7%D9%84%D8%B4-%D9%87%D8%A7-%D9%88-%D9%85%D8%AD%D8%AF%D9%88%D8%AF%D9%8A%D8%AA-%D9%87%D8%A7-ixtaabv6zpbm چالش‌های مربوط به دادهداده اساس یادگیری‌ماشین است و هیچ الگوریتم و مدلی با داده بد نمی‌تواند عملکرد خوبی داشته باشد. کمیت نامناسب داده، داده بی‌کیفیت و ویژگی‌های نامربوط از جمله چالش‌هایی است که به داده مربوط می‌شوند.چالش‌های الگوریتمیپس از آن‌که توانستیم چالش‌های مربوط به داده را مدیریت کنیم، سراغ الگوریتم و مدل می‌رویم. بیش‌برازش (Overfitting)، کم‌برازش (Underfitting) و زمان نمونه‌ای از چالش‌های مربوط به مدل‌ها و الگوریتم‌های هوش‌مصنوعی و یاد‌گیری‌ماشین هستند.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:53:49 +0330 https://virgool.io/@m_62116286/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B9%D9%85%D9%88%D9%85%DB%8C-fwdouj8wpre3 امروزه شاهد پیشرفت‌های بزرگی در زمینهٔ هوش مصنوعی هستیم اما همچنان با آنچه در فیلم‌ها و داستان‌ها از یک عامل هوشمند متصوریم که در انجام کارهای گوناگون از توانایی مشابه انسان برخوردار است فاصله داریم. عامل‌های هوشمندی که امروزه ساخته می‌شوند معمولا در حل یک مسئلهٔ خاص به هوشمندی رسیده‌اند. مثل تشخیص انسان‌های داخل تصویر یا انجام بازی شطرنج. به این نوع از هوش مصنوعی، هوش مصنوعی محدود یا ضعیف اطلاق می‌شود. در مقابل، آنچه هوش مصنوعی عمومی (artificial general intelligence) و یا قوی نامیده می‌شود، عبارت است از ساختن عامل هوشمندی که مانند انسان از هوشی عمومی برخوردار باشد که توانایی آموختن در مواجهه با هر مسئلهٔ جدیدی را داشته باشد و محدود به یک زمینه یا مسئلهٔ خاص نباشد.مسئلهٔ هوش مصنوعی عمومی ابعاد متنوعی دارد و رشته‌های مختلفی را حول خود گرد می‌آورد. بخشی از مسائل آن به فلسفه و به طور دقیق‌تر فلسفه ذهن برمی‌گردد. هوشمندی به چه معناست؟ آگاهی داشتن به چه وضعیتی اطلاق می‌شود و خودآگاهی چیست؟ برای آن که به طور عمیق به مسئلهٔ هوش مصنوعی عمومی بپردازیم گریزی نداریم از اینکه چنین سوالاتی را از خود بپرسیم و در صدد پاسخ دادن به آن‌ها برآییم.علاوه بر این یکی از بهترین راه‌ها برای تحقیق دربارهٔ هوش مصنوعی عمومی، مطالعهٔ هوش طبیعی است. به راستی چه رازی پشت هوشمندی و آگاهی ما انسان‌هاست؟ هر چه شناخت بیشتری از مغز خودمان و نحوهٔ کارکرد آن پیدا کنیم، ابعاد بیشتری از مسئلهٔ هوش به رویمان باز می‌شود. از همین روست که یکی از رویکردهای ارزشمند در این زمینه مطالعهٔ رشته‌هایی مثل علوم اعصاب و روان‌شناسی است که دربارهٔ‌ آن چه در سر انسان می‌گذرد تحقیق می‌کنند.جالب است بدانید که در حال حاضر یک رشتهٔ دانشگاهی نسبتا جوان وجود دارد به نام علوم شناختی که مسئلهٔ شناخت را محور تحقیقات خود قرار داده است و در محل تلاقی شش زمینه قرار دارد که همگی ابعادی از این مسئله را بررسی می‌کنند: فلسفه، زبان‌شناسی، انسان‌شناسی، روان‌شناسی، علوم اعصاب و بالاخره هوش مصنوعی. می‌توان انتظار داشت دستاوردهای این رشتهٔ علمی هم متقابلا کمک شایانی به بررسی هوش مصنوعی عمومی کنند.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:47:32 +0330 https://virgool.io/@m_62116286/%D8%B4%D8%B1%DA%A9%D8%AA-%D9%87%D8%A7%DB%8C-%D9%BE%DB%8C%D8%B4%D8%B1%D9%88-%D8%AF%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%D9%8A-cebnr00gizxn از آنجایی که برای انجام پژوهش در زمینهٔ هوش مصنوعی و یادگیری ماشین، قدرت پردازشی بالا و فراوانی داده از اهمیت زیادی برخوردار است، امروزه شرکت‌های فناوری همپای دانشگاه‌ها و مراکز علمی در این امر پیشتاز هستند. در اینجا به معرفی چهار شرکت معروف در این حوزه می‌پردازیم.شرکت DeepMindشرکت OpenAIگروه AI شرکت Facebookگروه AI شرکت Google?منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:38:55 +0330 https://virgool.io/@m_62116286/%D8%AA%DA%A9%DB%8C%D9%86%DA%AF%DB%8C-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-sd7r4srvcmhr در ادامه تحولات شگفتی که برای هوش مصنوعی پیش‌بینی می‌شود، از نقطه‌ای نام برده می‌شود که هم با شکوه و هم دلهره برانگیز است و آن نقطه تکینگی فناوری (technological singularity) است. زمانی که پیشرفت تکنولوژی به نقطه‌ای غیرقابل کنترل و برگشت‌ناپذیر برسد که تمدن انسانی را تحت تاثیر قرار دهد. از مثال‌های چنین پیشرفتی که می‌تواند شگفت انگیز یا خطرناک باشد، ادامه دار بودن افزایش قدرت پردازشی و تحقق هوش مصنوعی عمومی است. اگر انسان بتواند یک موجود هوشمندتر از خود پدید آورد .هربرت سایمون:تا بیست سال دیگر، ماشین‌ها قادر خواهند بود هر کاری که انسان انجام می‌دهد را انجام دهند.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:29:07 +0330 https://virgool.io/@m_62116286/%DA%86%D8%B1%D8%AE%D9%87-%D8%AA%D8%A8-%D8%AA%DA%A9%D9%86%D9%88%D9%84%D9%88%DA%98%DB%8C-shsqkxqlxbd0 این چرخه، نمودار رشد تکنولوژی‌­های مختلف را در طی زمان نشان می‌دهد. بر این اساس هر تکنولوژی ۵ مرحله اصلی را طی می‌کند. به این صورت که ابتدا معرفی می‌شود و شروع به مشهور شدن می‌کند. در این مرحله اغلب شرکت‌ها به استفاده از این فناوری جدید روی می‌آورند. در مرحله دوم که اوج قله است، نام آن تکنولوژی در همه‌جا شنیده شده و با جذب سرمایه‌گذار، بسیاری از استارت‌آپ‌ها شروع به معرفی و استفاده از آن می‌کنند. اما در مرحله سوم محدودیت‌های این تکنولوژی شناخته می‌شود و آهسته از شهرت آن کاسته شده و بسیاری استفاده از آن را کنار می‌گذارند. در مرحله چهارم، تنها برخی کسانی که در عرصه‌ آن تکنولوژی باقی‌مانده‌اند شروع به فعالیت اصلی در این حوزه کرده و تکنولوژی شروع به رشد می‌کند تا زمانی که به مرحله پایانی یعنی پختگی و ثبات نسبی برسد.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:24:19 +0330 https://virgool.io/@m_62116286/%D9%BE%D8%A7%D9%8A%D8%AA%D9%88%D9%86-wwqolokh4uvk هدف اصلی از توسعه‌ی این زبان، اتوماسیون کار‌های تکراری، برای توسعه سریع برنامه‌ها است. پایتون زبانی به نسبت آسان برای یادگیری است زیرا کدهای آن تمیز و قابل فهم است.برخلاف C و C++ که زبان‌هایی دارای کامپایلر هستند، پایتون زبانی دارای مفسر است. کامپایلر برنامه ایست که کد نوشته شده (برای مثال به زبان C) را به زبان ماشین ترجمه می‌کند. اما سخت افزار برای هر دستگاهی متفاوت است و این باید توسط کامپایلر پیشبینی شود؛ مثلا کامپایلر برای سی‌پی‌یو‌های Intel و AMD متفاوت است. اما در مقابل مفسر برنامه را در محیطی به نام kernel به bytecode ترجمه و آن را به صورت خط به خط اجرا می‌کند. لذا هر برنامه‌ی پایتون در هر دستگاهی که مفسر پایتون نصب شده‌باشد، اجرا می‌شود. کدهای پایتون قابل فهم است.پایتون به نسبت زبان‌های دیگر نوشتار ساده‌تری دارد و به همین دلیل سریع قابل یادگیری است و این باعث می‌شود کار، به خصوص در پروژه‌های بزرگ، راحت‌تر شود.به کد زیر دقت کنید. این کد که در زبان پایتون نوشته شده است، تمام عناصر لیست تعریف شده را چاپ می‌کند.همان کد را در زبان جاوا می‌بینید.می‌توان دید که کد پایتون نسبت به کد جاوا (و بقیه زبان‌هایی که نوشتاری شبیه جاوا دارند) کوتاه‌تر و ساده‌تر است و به زبان گفتاری نزدیک‌تر است.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:19:03 +0330 https://virgool.io/@m_62116286/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A8%DB%8C-%D9%86%D8%B8%D8%A7%D8%B1%D8%AA-mvyvmesajbkk تفاوت این نوع از یادگیری با یادگیری نظارت‌شده، تنها در نبودن برچسب‌هااست. به عبارت دیگر، هیچ ناظر (برچسب) به کودک (کامپیوتر) نمی‌گوید که چه زمانی درست پیش‌بینی کرده است و چه زمانی مرتکب اشتباه شده است. در این روش یادگیری، مدل به تنهایی و بدون کمک برچسب‌هایی که در روش نظارت‌شده دیدیم، باید الگوهای پنهان را پیدا کند.الگوریتم‌های یادگیری ماشین بی‌نظارت، که در آن مدل بدون دخالت انسان و با داده‌های بدون برچسب، الگوهای پنهان بین داده‌ها را پیدا می‌کند، به طور کلی به سه دسته خوشه‌بندی (clustering)، کاهش ابعاد (dimensionality reduction) و استخراج قانون وابستگی (association rule mining) تقسیم‌بندی می‌شود.خوشه‌بندیخوشه‌بندی به معنی دسته‌بندی اتوماتیک داده‌ها به خوشه‌های همگن است، به این صورت که داده‌های هر خوشه، ویژگی‌های یکسانی داشته باشند.کاهش ابعاددر ساده ترین حالت، روش کاهش ابعاد یعنی کاهش دادن تعداد ویژگی‌هایی که از آن‌ها برای آموزش مدل یادگیری ماشین خود استفاده می‌کنیم.زمانی که ابعاد بیشتری داریم، مدل یادگیری ماشین پیچیده شده و این باعث به‌وجود آمدن بیش‌برازش (overfitting) می‌شود. بیش‌برازش باعث می‌شود که مدل یادگیری ماشین به داده‌هایی که روی آن‌ آموزش دیده وابسته شود و روی داده‌هایی که تا به حال ندیده است عملکرد مطلوبی نداشته باشد.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 02:05:23 +0330 https://virgool.io/@m_62116286/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A8%D8%A7%D9%86%D8%B8%D8%A7%D8%B1%D8%AA-ivuma4s3m9yt فرض کنید که کامپیوتر یک بچه است و ما ناظر (supervisor) او، به طور مثال والد یا معلم هستیم. ما می‌خواهیم به این کودک یاد بدهیم که یک خروس چه شکلی است. برای این کار، ما تعدادی عکس که بعضی از آن‌ها عکس خروس، و بعضی حیوانات دیگری هستند به کامپیوتر نشان می‌دهیم. وقتی که ما عکس خروس را نشان می‌دهیم، جمله «این خروس است» را صدا می‌زنیم و وقتی عکس‌هایی که خروس نیستند را نشان می‌دهیم، جمله «این خروس نیست» را می‌گوییم. به این روش یادگیری، یادگیری نظارت‌شده (supervised learning) می‌گوییم.در این نوع از یادگیری، نمونه‌هایی که برای آموزش الگوریتم استفاده می‌شوند، دارای برچسب هستند. به این معنا که مدل یادگیری‌ماشین با استفاده از داده‌هایی که از قبل برچسب مشخصی دارند ("خروس بودن" و "خروس نبودن" در این مسئله، برچسب‌های داده هستند)، الگوهای اساسی را تا زمانی که به دقت رضایت‌بخشی برای ما برسد، پیدا می‌کند.به دلیل اینکه الگوریتم مورد نظر ما با استفاده از داده‌هایی که دارای برچسب مشخصی هستند الگوهای لازم را پیدا می‌کند، به این دسته، یادگیری نظارت‌شده می‌گویند.الگوریتم‌های یادگیری نظارت‌شده، به دو دسته طبقه‌بندی (classification) و رگرسیون (regression) دسته‌بندی می‌شوند.طبقه‌بندیدر طبقه‌بندی، هدف ما پیدا کردن برچسب یا دسته مناسب برای نمونه‌های بدون برچسب می‌باشد. برای این کار، ما مدل یادگیری‌ ماشینی را با استفاده از نمونه‌های برچسب‌دار، آموزش می‌دهیم. بهترین مثال برای درک بهتر طبقه‌بندی، فیلتر کردن ایمیل‌ها به دو دسته اسپم و غیر اسپم است.رگرسیوندر رگرسیون، هدف ما تخمین مقدار یک ویژگی (این بار مقداری پیوسته) برای یک نمونه می‌باشد. این الگوریتم‌ها برای پیش‌بینی روند بازار، قیمت خانه و دیگر مثال‌ها به کار می‌روند.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 01:59:02 +0330 https://virgool.io/@m_62116286/%D8%AA%D8%AC%D8%B1%D8%A8%D9%87-%D8%AA%DA%A9%D9%84%DB%8C%D9%81-%D8%B3%D9%86%D8%AC%D9%87-%D8%B4%D8%B1%D9%88%D8%B9-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-pkmdkdoe3wgu تکلیف Tتکلیف T در واقع همان مساله‌ای است که ما انتظار داریم بتوانیم با یادگیری ماشین حل کنیم. برای مثال بانکی را تصور کنید که می‌خواهد تصمیم بگیرد آیا به مشتری وام اختصاص بدهد یا خیر. انتخاب وام دادن یا ندادن به مشتری را تکلیف T می‌گوییم.تجربه Eبرای انجام فرایند یادگیری، که منجر به حل تکلیف T می‌شود، ما نیازمند تعدادی نمونه (sample) هستیم که اطلاعات مورد نیاز در مورد مساله را به ما می‌دهند. برای مثال در مساله‌ی وام دادن بانک، می‌توان از سابقه‌ی مشتریان پیشین و این که وام خود را پرداخت کرده‌اند یا خیر برای مجموعه‌ی داده (dataset) یا نمونه‌ها استفاده نمود. در یادگیری بانظارت هر نمونه دارای یک برچسب (label) است که پرداخت کردن یا نکردن وام مشتریان پیشین در این مساله همان برچسب به حساب می‌آید و انتظار داریم الگوریتم بتواند با داشتن سایر ویژگی‌ها، مقدار این برچسب را برای مشتری جدید پیش‌بینی کند.سنجه Pهر مدل یادگیری ماشینی که طراحی کنیم، به هرحال به طور ۱۰۰ درصدی نتیجه درست و مناسبی را ارائه نمی‌دهد بنابراین به معیاری برای بررسی و اندازه‌گیری میزان دقت این الگوریتم نیاز داریم تا در صورت نامناسب بودن دقت آن، با تغییر پارامترهای الگوریتم بتوانیم به دقت بالاتری برسیم. به این معیار سنجه‌یP می‌گوییم.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 01:52:06 +0330 https://virgool.io/@m_62116286/%D8%AF%D8%A7%D8%AF%D9%87-s78c1iyli0hz داده‌ها عنصر محوری یادگیری ماشین هستند و ماشین‌ها از داده‌ها یاد می‌گیرند، به این صورت که ما داده‌ها را به عنوان ورودی به الگوریتم می‌دهیم تا خروجی مورد نیازمان را دریافت کنیم.داده‌، در نتیجه مشاهدات و اندازه‌گیری‌ها شکل می‌گیرد و توصیف این وضعیت مشاهده شده به شمار می‌آید. این توصیف می‌تواند اشکال گوناگونی داشته باشد.انواع دادهکلمات (زبان طبیعی)داده‌ای که پردازش زبان طبیعی با آن کار می‌کند، جملات و کلمات تولید شده توسط انسان‌ها هستند، که ممکن است به صورت نوشتاری یا صوت در اختیار الگورتیم‌های کامپیوتری قرار بگیرد. برخی از کاربردهای این حوزه عبارتند از:تشخیص گفتار: تشخیص گفتار، برقراری ارتباط با کامپیوترها را از طریق حرف زدن عادی ممکن می‌سازد و خود دریچه‌ای به سایر کاربردهای هوش مصنوعی است. دستیارهای کامپیوتری مثل سیری یا دستیار گوگل نمونه‌هایی از کاربرد این تکنولوژي هستند.دسته‌بندی نوشتارها یا نظرات: مثلاً در یک فروشگاه اینترنتی نظرات مثبت و منفی و نقاط قوت و ضعف هر کالا می‌تواند به این صورت دسته‌بندی شود. یا یک برند می‌تواند نظر عموم مردم را نسبت به خود از توییت‌های آنان تشخیص دهد.پاسخ دادن به سوالات: چیزی که گاهی هنگام جستجو در گوگل با آن مواجه می‌شویم. یعنی گوگل پاسخ سؤالی که سرچ شده را از متن‌ها استخراج کرده و بالاتر از نتایج جستجو سریع به ما نشان می‌دهد.تصویراز میان حوزه‌های مختلف یادگیری ماشین، بینایی ماشین پیشرفت خیره‌کننده‌ای را در سال‌های اخیر داشته و در تکنولوژی‌های روزمره به صورت گسترده استفاده می‌شود. داده‌ای که در این قسمت با آن سر و کار داریم تصاویر ثبت شده توسط دوربین‌های مختلف عکس‌برداری یا فیلمبرداری هستند.جداولاین نوع داده در بسیاری از سیستم‌های نرم‌افزاری یافت می‌شود. برای مثال یک بانک را در نظر بگیرید که نام و کدملی افراد، موجودی حساب‌های آن‌ها، مجموع مبلغ وام‌هایی که تا به حال دریافت کرده‌اند را در جدولی مشابه جدول زیر نگهداری می‌کند. بانک می‌تواند با کمک یادگیری ماشین از روی این داده‌ها پیش‌بینی کند که درخواست وام یک مشتری را قبول یا رد کند.سری زمانیدر مورد بعضی از انواع داده، تغییرات آن و در نتیجه مقدار آن در طول زماناهمیت ویژه‌ای دارد. ماشین می‌تواند با دیدن تغییرات ویژگی مشخصی از یک داده در طول زمان، الگوی تغییرات آن را یاد بگیرد و به مسائلی که برحسب زمان‌اند، مثل پیش‌بینی مقدار آن ویژگی در یک زمان مشخص پاسخ دهد. برای مثال اگر ارزش یک سهم در بازار بورس را در یک بازه زمانی در نظر بگیریم، اطلاعات بیشتری داریم که الگوی تغییرات آن را نیز در بر می‌گیرد.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 01:44:43 +0330 https://virgool.io/@m_62116286/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-aektwxjbg50u هوش مصنوعی حوزه‌های بسیاری را شامل می‌شود و همچنان در حال بزرگ‌تر شدن است. امروزه هر برنامه‌ای که هوشمندی داشته باشد یا به نوعی رفتار انسان را تقلید کند، به عنوان هوش مصنوعی پذیرفته می‌شود.یادگیری ماشین بعد از هوش مصنوعی موضوعیت پیدا کرد و آن را می‌توان زیر مجموعه هوش مصنوعی در نظر گرفت.یکی از مهم‌ترین ویژگی‌های یادگیری ماشین، یادگیری با استفاده از داده و بدون استفاده از دستورات مستقیم است .ویژگی اصلی یادگیری ماشین خود آموزشی یا (Self-learning) می‌باشد که به معنی استفاده از مدلسازی آماری و عدم استفاده از دستورات مستقیم (یا صریح) می‌باشد. به عقیده بسیاری در آموزش الگوریتم یادگیری ماشین، نیازی به دخالت انسان برای یادگیری نیست. به بیان دیگر، الگوریتم خود، نیازهای خود را تشخیص می‌دهد و خود را ارتقا می‌دهد.منبع(https://quera.ir/college/land/college/8522/) سمیرا نامی ساعی سمیرا نامی ساعی Wed, 24 Nov 2021 01:35:52 +0330