یادگیری ماشین یه زیر مجموعه از مبحث وسیع هوش مصنوعیه، که در اون به ماشین یاد میدیم که بر اساس شواهد تصمیم بگیره، بهش یاد میدیم و اون هم یاد میگیره، دقیقا مثل تربیت بچه. بهش یاد میدیم که ببینه و تصمیم بگیره، خیلی ها میگن هوش مصنوعی خطرناکه و امکان داره جای انسان رو بگیره ولی خطر زیادی نداره، لااقل الان. (این یه مبحث مفصل تره، بعدا بهش پرداخته میشه)
یادگیری ماشین کلا بر پایه اطلاعات و داده هایی که ما به ماشین میدیم اتفاق میوفته. مثلا چجوری؟ ما اطلاعات یه تعداد زیادی آدم(مثلا هزار نفر) رو که شامل اطلاعات قد، وزن، فشار خون، سن، جنسیت و . میشه رو بهش میدیم و در آخر هم بهش میگیم که کدوم یکی از اینا بیماری دارن یا ندارن. اینکه بیماری دارن یا ندارن خودش یه مسئله س که بهش میگیم دسته بندی باینری و اینکه چه نوع بیماری داره یه مسئله دیگه س که بهش میگیم دسته بندی چند کلاسه. درواقع هر کدوم از این دسته ها رو بهشون میگیم یک کلاس.
پس ما الان هزارتا اطلاعات(شامل مشخصات و ویژگی های هر فرد) داریم و یه مشخصه نهایی هم داریم که بیماری فرد رو شامل میشه. به مشخصه های شخصی هر فرد میگیم feature یا ویژگی یا مشخصه، به اطلاعات بیماری فرد میگیم هدف target.
خلاصه اینکه سعی میکنیم از طریق مشخصه ها به اهداف برسیم. کاری که توی یادگیری ماشین اسنجام میدیم اینه که اون داده هایی که داریم رو(اون هزار نفر) به دو دسته داده های آموزش و داده های آزمایش با یه درصد 80 20 و یا 70 30 به صورت کاملا تصادفی تقسیم میکنیم و مدل یادگیری ماشین رو با داده های آموزش، آموزش! میدیم.
بعد که یاد گرفت(اینم خودش داستان داره و بستگی به مدلهای یادگیری ماشین داره) داده های آزمایش رو بهش میدیم که ببینیم دقت مدلمون چقدره؟!
دقت مدل از طریق شمارش تعداد داده هایی که مقدار هدف رو درست تشخیص دادن بررسی میکنیم. این وسط ابزار اصلیمون ماتریس درهم ریختگیه که به تفصیل در موردش صحبت خواهیم کرد.
اگر مدل ما دقت بالایی در پیشبینی مقدار هدف داده های آزمایش داشت نشون میده که مدل خوبیه پس میتونیم مشخصه های افراد دیگه(که توی اون هزارتا نیستن ) رو به مدل بدیم و خروجی مدل بهمون نشون میده که اون افراد دچار بیماری میشن یا نه؟
چیزی که تعریف شد، دسته بندی در یادگیری ماشین بود.
درباره این سایت