Evdəki hər kəsin Netflix-də fərqli bir ana səhifəyə sahib olmasının səbəbi tövsiyə olunan proqramların birbaşa seçimlərimizə uyğun olmasını təmin edən bir texnologiyadır və bu texnologiyanın arxasında Maşın Öyrənməsi nədir? Sualın cavabı daxil edilir.
Məlumatlara daxil olmaq və gözlənilən tapşırıqları yerinə yetirmək bacarığı; Bu texnologiya avtomatik olaraq proqnozlar və təsbitlər verə bilən kompüter proqramlarının hazırlanması üzərində işləyir; Təcrübədən kompüter sistemlərinin öyrənilməsinə və təkmilləşdirilməsinə diqqət yetirir.
Maşın öyrənməsi, kompüter proqramlarının alqoritmlər və təlim məlumatları vasitəsilə nümunələri öyrənə biləcəyi süni intellektin tətbiqidir.
Ridge reqressiyası
Maşın öyrənmə tətbiqləri, həmçinin maşın öyrənməsi adlanır, insanlar kimi, birbaşa proqramlaşdırmadan təcrübə yolu ilə öyrənirlər. Alqoritmə verilən təlim məlumatlarına əsaslanan maşın öyrənmə proqramı; O, məlumatları aşkarlaya, proqnozlar verə və tapşırıqları avtomatik yerinə yetirməməsi üçün necə təkmilləşdirməyi öyrənə bilər.
Siri, Google Assistant və Alexa kimi rəqəmsal köməkçilərin həyatımıza daxil olmasını təmin edən maşın öyrənməsi ilk dəfə 1959-cu ildə IBM tədqiqatçısı Artur Samuel tərəfindən termin olaraq istifadə edilmişdir. İşi yalnız 1966-cı ildə IBM-dən təqaüdə çıxdıqdan sonra geniş rəğbət qazanan Samuelə hər kəs minnətdarlıq borcludur, çünki maşın öyrənməsi son dövrlərdə inanılmaz dərəcədə əhəmiyyətli olmuşdur; Mürəkkəb problemləri miqyaslı şəkildə həll edə bilən böyük dahi.
İndi həkimlər dəqiq diaqnoz və müalicə üçün maşın öyrənməsindən istifadə edir, pərakəndə satıcılar lazımi məhsulu lazımi anda doğru mağazalara çatdırmaq üçün maşın öyrənməsindən istifadə edir və tədqiqatçılar bu texnologiya ilə daha effektiv yeni dərmanlar hazırlamağa çalışırlar. Məqaləmizin aşağıdakı bölmələrində təəccüblü nümunələr daxil etdik, lakin əvvəlcə maşın öyrənmənin bunlara necə nail olduğunu izah edək:
Maşın öyrənməsi necə işləyir?
Maşın öyrənmə alqoritmləri maşınların öyrənməsinə imkan verən və onları daha ağıllı edən beyinlər kimi müəyyən edilə bilər. Bu alqoritmlər mütəmadi olaraq yeni məlumatlara və təcrübələrə məruz qalır; O, məlumatların təsnifatı, proqnozlaşdırılan modelləşdirilməsi və təhlili ilə bağlı müxtəlif tapşırıqlarda böyük nailiyyətlər əldə etməyə imkan verir.
Öyrənmə prosesi verilənlərdə nümunələri axtarmaq üçün seçilmiş alqoritmə nümunələr, birbaşa təcrübə, təlimatlar, müşahidələr kimi təlim məlumatlarının daxil edilməsi ilə başlayır. Bu alqoritmin düzgün işlədiyini yoxlamaq üçün maşın öyrənmə alqoritminə yeni giriş məlumatları əlavə edilir. Sonra proqnoz və nəticələr yoxlanılır.
Əsas məqsəd kompüterlərin insan müdaxiləsi olmadan avtomatik öyrənməsinə imkan yaratmaqdır.
Maşını daha çox məlumatla qidalandırmaq onun “öyrənməsinə” səbəb olan alqoritmləri aktivləşdirmək və əldə edilən nəticələri təkmilləşdirmək deməkdir.
Əgər proqnoz gözlənildiyi kimi deyilsə, istənilən nəticə tapılana qədər alqoritm dəfələrlə yenidən hazırlanır. Bu, maşın öyrənməsi alqoritminə davamlı olaraq tək başına öyrənməyə və zamanla dəqiqliyi tədricən artacaq optimal cavabı istehsal etməyə imkan verir.
Alqoritm öyrənmə mərhələsini keçdikdən sonra əldə etdiyi biliklərdən müxtəlif məlumat dəstləri əsasında oxşar problemləri həll etmək üçün istifadə edə bilər.
Maşın öyrənmə alqoritmlərinin növləri
Maşın öyrənmə alqoritmləri 4 kateqoriyaya bölünür, hər biri fərqli məqsəd üçün nəzərdə tutulmuşdur. Məsələn, nəzarət edilən öyrənmə məlumatların əhatə dairəsini genişləndirmək və onun əsasında proqnozlar vermək üçündür. Digər tərəfdən, nəzarətsiz alqoritmlər məlumatları təşkil etmək və süzgəcdən keçirmək üçün istifadə olunur ki, məntiqli olsun.
Nəzarət olunan Maşın Öyrənməsi (Nəzarət olunan Alqoritmlər)
Proses zamanı tərtibatçıdan müəyyən nəzarət tələb edən alqoritmlər nəzarət edilən maşın öyrənməsi kimi tanınır. Tərtibatçı təlim məlumatlarını etiketləyir və alqoritmin əməl etməsi üçün ciddi qaydalar və sərhədlər təyin edir. Alqoritmlər daha sonra gələcək hadisələri proqnozlaşdırmaq üçün etiketlənmiş nümunələrdən istifadə edərək keçmiş öyrənməni yeni məlumatlara tətbiq edə bilər.
Nəzarət olunan maşın öyrənməsində məqsəd müstəqil dəyişənlər dəsti üzərində müəyyən edilmiş funksiyadan istifadə edərək hədəf dəyişənini proqnozlaşdırmaqdır.
Nəzarət edilən alqoritmlər giriş məlumatı və gözlənilən nəticələri müəyyən etməklə işləyir. Öyrənmə alqoritmi həmçinin öz çıxışını düzgün çıxışla müqayisə edə və modeli müvafiq olaraq dəyişdirmək üçün səhvləri tapa bilər.
Nəzarət olunan maşın öyrənməsinin ən məşhur nümunələrindən biri Boston mənzil qiymətləri məlumat dəstidir. Satılmış evləri, onların xüsusiyyətlərini və satış qiymətlərini özündə birləşdirən bu verilənlər bazası istənilən evin satış qiymətini proqnozlaşdıra bilən maşın öyrənmə modeli yaratmağı hədəfləyir.
Nəzarətsiz Maşın Öyrənilməsi (Nəzarət olunmayan Alqoritmlər)
Sistem düzgün çıxışı tapa bilmədikdə, o, məlumatların çıxarılmasına davam edir və etiketlənməmiş verilənlərdən gizli strukturları aşkar etmək üçün verilənlər dəstindən nəticə çıxarır.
Yarı nəzarətli alqoritmlər
Həm nəzarət edilən, həm də nəzarətsiz telefon nömrələri kitabxanası alqoritmlərin xüsusiyyətlərini birləşdirən alqoritmlər yarı nəzarət edilən maşın öyrənməsi kimi müəyyən edilir. Alqoritmi işə salarkən bütün təlim məlumatları etiketlənməmiş və bütün qaydalar təmin edilməmişdir.
Yarı nəzarət edilən maşın öyrənmə alqoritmləri təlim üçün həm etiketli, həm də etiketsiz məlumatlardan istifadə edir. Adətən kiçik həcmdə etiketli verilənlərdən və böyük miqdarda etiketlənməmiş verilənlərdən istifadə edən sistemlər öyrənmə dəqiqliyini əhəmiyyətli dərəcədə artıra bilər.
Gücləndirmə alqoritmləri
Belə alqoritmlər kəşfiyyat adlanan texnikadan istifadə edir; Maşın hərəkətlər istehsal edərək öz mühiti ilə qarşılıqlı əlaqədə olur, nəticələri müşahidə edir və sonra növbəti hərəkəti yerinə yetirərkən bu nəticələri nəzərə alır və alqoritm təkmilləşənə və düzgün strategiya seçənə qədər proses bu şəkildə davam edir.
Bu üsul maşınlara və proqram agentlərinə; performansı maksimuma çatdırmaq üçün verilən kontekstdə ideal davranışı avtomatik müəyyən etməyə imkan verir.
Fərdi alqoritmlər
Qeyd etdiyimiz kateqoriyaların hər biri altında xüsusi tapşırıqları yerinə yetirmək üçün nəzərdə tutulmuş müxtəlif ixtisaslaşmış alqoritmlər mövcuddur. Bu alqoritmlər müxtəlif tapşırıqları yerinə yetirə və ya digər alqoritmlərlə sinxron işləyə bilər. Maşın öyrənməsinin əsaslarını başa düşmək üçün hər bir məlumat aliminin bilməli olduğu bu 5 əsas alqoritmi aşağıdakı kimi sadalaya bilərik:
- reqressiya
- Təsnifat
- İcma
- atribut
- klasterləşmə
reqressiya
Reqressiya alqoritmləri; Onlar müstəqil dəyişənlərin asılı olanlara necə təsir etdiyini başa düşmək üçün müxtəlif dəyişənlər arasında mümkün əlaqələri tapmaq üçün istifadə olunan nəzarət edilən alqoritmlərdir.
Siz reqressiya analizini tənlik kimi düşünə bilərsiniz. Məsələn, y = 2x + z tənliyində y asılı dəyişən, x və z isə müstəqil dəyişənlərdir. Reqressiya təhlili x və z-nin y dəyərinə nə qədər təsir etdiyini öyrənir.
Eyni məntiq daha təkmil və mürəkkəb problemlərə də aiddir və bu məqsədlə istifadə olunan reqressiya alqoritmlərinin bir çox növləri var. Onlardan bəzilərinə və tətbiq sahələrinə nəzər salaq:
Xətti reqressiya
Xətti reqressiya, mahiyyət etibarilə, iki dəyişən how to select crm software for b2b business arasındakı əlaqəni təyin etmək üçün xətti yanaşmadır; Bu dəyərlərdən biri asılı dəyər, digəri isə müstəqildir. Bu, bir dəyişəndəki dəyişikliyin digərinə necə təsir etdiyini və nəticənin müsbət və ya mənfi olmasına səbəb olan əlaqəni anlamağa kömək edir.
Xətti reqressiya y = a + bx xətti kimi təqdim olunur və proqnozlaşdırılan çıxış davamlı olduqda və sabit mailliyə malik olduqda tətbiq edilir:
Logistik reqressiya
Logistic Regression alqoritmi ümumiyyətlə iki dəyərdən birini istifadə edir; O, keçid və ya uğursuz, doğru və ya yanlış kimi vəziyyətlərlə nəticələnən ikili təsnifat problemlərində istifadə olunur. Asılı dəyişənin cavabın iki kateqoriyasından birinə düşmə ehtimalını qiymətləndirmək ehtiyacı üçün ən uyğun alqoritmdir.
Bu alqoritm kateqoriyalı məlumatları chine directory təhlil etmək üçün istifadə olunur; Verilən əl yazısının sözügedən şəxslə uyğun olub-olmadığını öyrənmək və yaxın aylarda neft qiymətlərinin artıb-artmayacağını proqnozlaşdırmaq kimi vəziyyətlərdə istifadə olunur.
Bundan əlavə, Logistik Reqressiya alqoritmi aşağıdakı kimi tətbiqlərdə istifadə edilə bilər:
- Kredit Qiymətləndirməsi
- Xərçəngin aşkarlanması
- Coğrafi Şəkil Emalı
- Əl yazısının tanınması
- Şəklin Seqmentasiyası və Kateqoriyalaşdırılması
- Marketinq kampaniyalarının müvəffəqiyyət dərəcələrinin ölçülməsi
- Xüsusi bir məhsul üçün gəlirin təxmin edilməsi
- Zəlzələ Proqnozu
Reqressiya modeli çox mürəkkəbldikdə, silsiləli reqressiya; modelin əmsallarının ölçüsünü düzəldir.
