انواع یاد گیری ماشین به چهار دسته اصلی تقسیم می‌شوند. در این مقاله، ما به این موارد می‌پردازیم و در نظر می‌گیریم چه چیزی آنها را منحصر به فرد می‌کند، و چگونه می‌توان از آنها در عمل استفاده کرد.
یاد گیری ماشین نظارت شده
اکثر قریب به اتفاق یاد گیری ماشین چیزی است که به عنوان "یاد گیری ماشین نظارت شده" شناخته می‌شود. این شامل کاربرانی می‌شود که اطلاعات گسترده‌ای را که از پیش حل شده‌اند در یک الگوریتم تغذیه می‌کنند، و سپس آن را برای کشف الگوها و یادگیری قوانین تجزیه و تحلیل می‌کنند. این نوع یاد گیری ماشینی به بهترین وجه با اطلاعاتی مناسب است که در آن متغیرهای واضح X و Y وجود دارد و سیستم در حال یاد گیری نحوه به دست آوردن یکی از دیگری است.نمونه بارز این امر در عمل از غول رسانه‌های اجتماعی فیس بوک ارائه می‌شود، که از ماشین یاد گیری نظارت شده برای کشف محتوای نامناسب روی سیستم عامل استفاده می‌کند. در این مثال، محتوای پست اجتماعی متغیر X است و متغیر Y این است که آیا می‌توان آن را به صورت نامناسب علامت گذاری کرد یا نه. برای آموزش مدل یاد گیری ماشین، تیمی طیف وسیعی از مطالب را در الگوریتم تغذیه می‌کردند، که آنها به صورت دستی به عنوان مناسب یا نامناسب علامت گذاری می‌شدند. از آن جا، مدل یاد گیری ماشین را می‌شد در اختیار دستگاه‌های خودش قرار داد تا تلاش کند که استدلال کند که چگونه و چرا محتوای علامت دار نامناسب است.
یاد گیری ماشین بدون نظارت
همه‌ی کارهای یاد گیری ماشین دارای مقادیر واضح X و Y نیست. بیشتر اوقات، یاد گیری ماشینی برای کشف یک نتیجه مقرر به کار نمی‌رود، بلکه برای کشف الگوها و ساختارهایی که حاکی از رابطه بین نقاط داده متفاوت و غیر مرتبط هستند، استفاده می‌شود. به عنوان مثال در نظر بگیرید که می‌خواهید الگوریتم تمایز انواع مختلف سبزیجات را آموزش دهید بدون این که لازم باشد مشخص کنید که کدام سبزی کدام است. یکی از متداول‌ترین نمونه‌های یاد گیری تقویتی شامل یک بازی با نقطه پایان مشخص یا هدف مشخص و تعدادی راه مختلف برای دستیابی به آن است. این سیستم با استفاده از نوعی از یاد گیری ماشین بدون نظارت که به عنوان "خوشه بندی" شناخته می‌شود، می‌تواند تصاویر سبزیجات را تجزیه و تحلیل کند و شباهت‌ها یا تفاوت‌هایی بین آنها را استنباط کند. با انجام این کار، آنها می‌توانند چیزی بیشتر از قدرت تفاوت گذاری بین "هویج" و "سیب زمینی" را بیاموزند. آنها می‌توانند یاد بگیرند که انواع خاصی از هویج را دسته بندی کنند، شاید از نظر وزن، رنگ یا شکل.فایده این امر این است که به شما امکان می‌دهد الگوهای موجود در داده‌هایی را کشف کنید که حتی نمی‌توانستید بدانید که وجود دارند. اما یک مزیت عملی برای یاد گیری ماشین بدون نظارت نیز وجود دارد. همان طور که از نام آن پیداست، لازم نیست بر آن نظارت داشته باشید.
یادگیری ماشین نیمه نظارت شده
یادگیری ماشینی نیمه نظارت شده بهترین استفاده از هر دو روش را برای ایجاد چیزی هیبریدی می‌برد. دو نوع موقعیت وجود دارد که این روش ممکن است در آنها مفید باشد:* اول، در صورتی که نظارت بر یاد گیری ماشین گزینه پیش فرض شما باشد، اما شما وقت و منابع کافی برای اختصاص کامل و تمام وقت برای نظارت بر فرایند ندارید. بنا بر این، شما به الگوریتم جهت می‌دهید و سپس آن را به دستگاه‌های خودش واگذار می‌کنید.
* دوم، در صورتی که، از طرف دیگر، از یاد گیری ماشین بدون نظارت استفاده می‌کنید اما می‌خواهید جهت الگوریتم را هدایت کنید، که علت این امر می‌تواند احتمالاً برای صرفه جویی در وقت یا هدایت سیستم به سمت یک نتیجه ساخت یافته‌تر و عملی‌تر باشد.
در بسیاری از موارد، یاد گیری ماشینی که تحت عنوان نظارت شده یا بدون نظارت توصیف می‌شود، در واقع ترکیبی از هر دو است. به همین دلیل انجام یک طبقه بندی محکم می‌تواند دشوار باشد.
یاد گیری تقویتی
یاد گیری تقویتی به گونه‌ای طراحی شده است که سریعترین مسیر را برای رسیدن به یک مقصد معین پیدا می‌کند. یکی از متداول‌ترین نمونه‌های یاد گیری تقویتی شامل یک بازی با نقطه پایان مشخص یا هدف مشخص و تعدادی راه مختلف برای دستیابی به آن است. بیایید به عنوان نمونه از یک بازی پیچ و خم استفاده کنیم. هدف این است که در چند مرحله ممکن از یک مکان به مکان دیگر برسیم. در این حالت، الگوریتم تقویتی هر مسیر ممکن را به ترتیب دنبال می‌کند و سریعترین را انتخاب می‌کند.در موقعیت‌های عملی‌تر، مانند موارد اشاره شده در زیر، این نوع یاد گیری دارای چندین مزیت است:
* پیش بینی تعمیر و نگهداری ماشین آلات در ساخت.
* بهینه سازی مصرف انرژی در کارخانه‌ها و دیتاسنترها.
* شناسایی درمان‌های بهینه در بخش بهداشت.
موضوع کلی هر کدام از این مثال‌ها یک بهینه سازی است: تغذیه یک سیستم یا رابطه موجود در الگوریتم و یافتن بهترین نتیجه یا مقصد ممکن.
پیدا کردن انواع صحیح یاد گیری ماشین
در حالت ایده‌آل، هر نوع الگوریتم یاد گیری ماشین به سادگی در یکی از این چهار دسته قرار می‌گیرد، و تشخیص این که شما برای یک کار یا مشکل مشخص به کدام یک نیاز دارید، آسان خواهد بود. در واقعیت، دسته بندی‌های گسترده دارای تقاطع‌های زیادی هستند و هر سیستم خاصی تقریباً مجبور به اتخاذ ترکیبی از انواع مختلف یاد گیری ماشین است. اغلب، اتخاذ تصمیم برای این که شما با چه نوعی از یادگیری ماشین کار کنید به همان اندازه الگوریتمی که قدرت انجام کار را دارد پیچیده است.اگر می‌خواهید در مورد انواع مختلف یاد گیری ماشین اطلاعات بیشتری کسب کنید، به منابعی تحت عنوان "هوش مصنوعی در مقابل ماشین یاد گیری" مراجعه کنید.
منبع: سایت ELEMENT-AL
