رشد فوق العاده اي كه اخيراً در حوزه هوش مصنوعي و كاربردهايش به وجود آمده به موازات توجه روزافزون به «يادگيري ماشين ها» به وقوع پيوسته است. حوزه «يادگيري ماشين» به توسعه نظريه هاي محاسباتي فرايندهاي يادگيري و ساخت ماشين هاي يادگيري مربوط است. واضح است كه قابليت يادگيري براي هر رفتار هوشمندانه اي ضروري است. اهميت قايل شدن و هدف گذاري براي قدرت يادگيري ماشين در مركز برنامه هاي توسعه هوش مصنوعي قرار دارد.براي اصطلاح يادگيري ماشين تعريف هاي متعددي ارايه شده. از جمله اين كه یادگیری ماشین، توانایی آن در يادگيري از تجربيات گذشته و یا و سوابق و انجام بهتر وظايف است. به عبارتي براي انجام بهتر كارها در آينده از گذشته تقليد مي شود...........
حمیده احمدیان راد
رشد فوق العاده اي كه اخيراً در حوزه هوش مصنوعي و كاربردهايش به وجود آمده به موازات توجه روزافزون به «يادگيري ماشين ها» به وقوع پيوسته است. حوزه «يادگيري ماشين» به توسعه نظريه هاي محاسباتي فرايندهاي يادگيري و ساخت ماشين هاي يادگيري مربوط است. واضح است كه قابليت يادگيري براي هر رفتار هوشمندانه اي ضروري است. اهميت قايل شدن و هدف گذاري براي قدرت يادگيري ماشين در مركز برنامه هاي توسعه هوش مصنوعي قرار دارد.
براي اصطلاح يادگيري ماشين تعريف هاي متعددي ارايه شده. از جمله اين كه یادگیری ماشین، توانایی آن در يادگيري از تجربيات گذشته و یا و سوابق و انجام بهتر وظايف است. به عبارتي براي انجام بهتر كارها در آينده از گذشته تقليد مي شود.
براساس تعريفي ديگر ماشين ها چیزهايي یاد مي گیرند و براساس آموخته ها رفتارشان را به نحوي تغيير مي دهند كه باعث مي شود در آينده وظايفشان را بهتر انجام دهند.
اشياي اصلي كه در حوزه اين مطالعه قرار دارند مصنوعي هستند.
برنامه ريزي رايانه اي براي بهینه سازی يك عملكرد با استفاده از داده ها و تجربيات گذشته نیز از تعاریف یادگیری ماشین است.
به نوشته سایت Answers یادگیری ماشین فرآیند یا روشي که طي آن يك دستگاه رفتارش را در نتیجه استفاده از تجربيات گذشته و داده ها تغییر مي دهد.
رشته «یادگیری ماشین» به دنبال پاسخ اين پرسش ها است كه ما چگونه می توانيم سیستم هایي رايانه اي بسازيم که با كسب تجربه به طور خودکار بهبود یابند و قوانین پايه اي كه بر همه فرآیندهاي یادگیری ماشين حاكم اند چه هستند؟» این پرسش ها طیف گسترده ای از وظايف یادگیری را به دنبال دارد. نظير این که چگونه مي توانيم روبات هايي خودكار با توانايي حركت طراحي كنيم كه قادر باشند یاد بگيرند چگونه از تجربيتشان براي حركت استفاده كنند. همچنين بدانند چگونه به اطلاعات سوابق پزشکی افراد نقب بزنند و بر اين اساس بياموزند كه بیماران در آینده چگونه مي توانند بهترین پاسخ ها را به درمان ها بدهند. همچنين موتورهای جست وجويي بسازيم که به طور خودکار منافع کاربرشان را به او يادآوري مي كنند.
به اين ترتيب درصورتي كه سيستم قابل اعتماد باشد، ماشین می آموزد با توجه به نوع تجربيات، نوع کار خاصي كه انجام مي دهد، عملكردش را در انجام وظافيش بهبود دهد. به وظیفه یادگیری ممکن است نام هايي مثل داده کاوی، کشف خود مختار، به روز رسانی پایگاه داده ها و غیره داده شود.
یادگیری ماشین شاخه ای از هوش مصنوعی است. اين رشته رشته اي علمی در رابطه با طراحی و توسعه الگوریتم ها است و به رايانه ها اجازه می دهد تا رفتارها را بر اساس داده هاي تجربي مثل داده هاي حسگر يا پايگاه داده ها تكامل دهند. يك یادگیرنده می تواند مزایای نمونه ها (اطلاعات) را برای اخذ ویژگی های مورد علاقه بگيرد. داده ها می تواند به صورت نمونه هایي ديده شود که روابط بین متغیرهاي مشاهده شده را نشان مي دهد. عمده تمرکز تحقيقات مربوط به يادگيري ماشين هم براين اساس بنا شده كه ماشين ها به طور خودكار بياموزند تا الگوهای پیچیده را تشخیص دهند و بر اساس داده ها تصمیم گیری هوشمند انجام دهند.
| بعدی > |
|---|
