Machine Learning - ML(یادگیری ماشین)

تصویر دقیق: اینجا دیگر قانون نمی‌نویسیم. به سیستم داده + جواب صحیح می‌دهیم و خودش باید الگوها را کشف کند. فرآیند کار:

1) یک مدل ریاضی با پارامترهای تصادفی می‌سازیم.

2) داده را به آن می‌دهیم.

3) جواب مدل را با جواب واقعی مقایسه می‌کنیم.

4) پارامترها را کمی تغییر می‌دهیم تا دفعه بعد جواب به واقعیت نزدیکتر شود.

5) این کار را میلیون‌ها بار تکرار می‌کنیم تا پارامترها بهینه شوند.

سه شاخه اصلی یادگیری ماشین:

· تحت نظارت (Supervised): مثل معلم خصوصی. داده + برچسب داریم. مثال: ایمیل‌ها با برچسب «اسپم/نبود».

· نظارت نشده (Unsupervised): بدون معلم. فقط داده داریم، می‌خواهیم دسته‌بندی خودکار انجام شود. مثال: مشتریان فروشگاه را براساس الگوی خرید به چند گروه تقسیم کن.

· یادگیری تقویتی (Reinforcement Learning): مثل آموزش سگ با تشویقی. عامل (Agent) در محیط کار می‌کند، اگر کار خوب کند پاداش می‌گیرد، اگر بد کند جریمه. مثال: AlphaGo – هر بار که برد پاداش بزرگ می‌گرفت.

· یک عیب بزرگ (Overfitting): اگر مدل بیش از حد روی داده خاص تمرکز کند، «حفظ کردن» می‌کند نه «یادگیری». مثل دانش‌آموزی که جواب تمرین‌های کتاب را حفظ کرده اما در امتحان با سوال جدید، قفل می‌کند.

نحوه عملکرد(ML):

یادگیری ماشین برخلاف سیستم‌های Rule-based، برنامه‌نویسی نمی‌شود، بلکه «آموزش» داده می‌شود. عملکرد آن به دو فاز کاملاً مجزا تقسیم می‌شود: فاز آموزش و فاز استنتاج.