یادگیری مبتنی بر نمونه یک مسئله تصمیم گیری با نمونه ها یا مثال هایی از داده های آموزشی که مهم تلقی می شوند و یا برای ساخت مدل مورد نیاز است، میباشد. چرا که الگوریتم هایی وجود دارند که میتواند در دستههای مختلف قرار گیرند به عنوان مثال یادگیری کوانتیزاسیون برداری یا LVQ میتواند در جفت دسته های شبکه عصبی و یادگیری مبتنی بر نمونه قرار گیرد. که این امر ممکن است، منجر با استخراج قوانین مختلف از دادهها گردد. روش های یادگیری قوانین انجمنی، قوانین موجود در دادهها را برای ارائه بهترین توصیف از ارتباطات بین متغیرها را استخراج میکند. همانند روش های خوشه بندی، الگوریتم های کاهش ابعاد با جست و جو در داده ها، ساختارهای ذاتی در دادهها را استخراج میکنند. روش های یادگیری گروهی، متشکل از چندین مدل ضعیف تر هستند که بطور مستقل آموزش دیده اند و پیش بینی های آنها به نوعی با هم ترکیب شده تا پیش بینی کلی را انجام دهند.
الگوریتم های یادگیری ماشین فراوانی وجود دارند از جمله الگوریتم های یادگیری با ناظر ، الگوریتم های یادگیری بدون ناظر ، یادگیری نیمه نظارتی ، یادگیری تقویتی و… بر اساس شکل بالا، برخی از داده های حاضر دارای برچسب هستند و برخی برچسب ندارند و الگوریتم های یادگیری ماشین نیمه نظارتی باید ابتدا با کشف ساختار در این دادهها ابتدا برحسب نمونه های بدون برچسب را تخمین بزند و در نهایت مدل مناسب برای پیش بینی ساخته شود. الگوریتم هایی وجود دارند که دارای نام شبیه به هم برای تشریح مسائل هستند مانند رگرسیون و خوشه بندی. شبکههای عصبی دسته ای از تطبیق الگو هستند که معمولاً برای مسائل رگرسیون و طبقه بندی مجله خبری fudzilla استفاده می شوند. به عنوان مثال در دسته بندی ایمیل های هرزنامه و غیرهرزنامه در داده های آموزش مشخص است که هر ایمیل هرزنامه هست یا خیر؟ روشهای درخت تصمیم مدل تصمیم گیری را بر اساس مقادیر واقعی نمونه ها در مجموعه داده میسازند.
در این مقاله سعی میکنیم، دیدی نسبت به یادگیری ماشین و الگوریتم های معروف آن ارائه دهیم. در این بخش قصد داریم این موارد را مورد بررسی قرار دهیم. بر اساس شکل بالا دایره هایی که درون مستطیل قرار دارند نمونه های آموزشی هستند که برچسب یا رنگ آنها مشخص است. الگوریتم های یادگیری با ناظر ، در دسته الگوریتم های یادگیری ماشین بر اساس استایل قرار می گیرد.دادههای ورودی، دادههای آموزش نامیده میشود. جفت روشها مفید هستند، اما در این گشت و گذار بیشتر دسته بندی دوم مد نظر است، که این دسته بندی خود الگوریتم های متنوعی را شامل میشود. بنابراین طبقهبندی الگوریتم ها بر این اساس می تواند بسیار مفید و کارا باشد. این روش یک روش مفید برای گروه بندی است، اما یک روش کامل و عالی نیست. خوشه بندی همانند رگرسیون، کلاس مسائل و کلاس روشها را شرح میدهد. اما در این حالت در یک روش بدون ناظر هدف خلاصه سازی و یا شرح داده با اطلاعات کمتر است. در این حالت برچسب داده های ورودی معین نیست. توجه آنها روی ساختن شبکه های عصبی بسیار بزرگتر و پیچیده تر است و همانطور که در بالا گفته شد ، بسیاری از روش ها مربوط به مجموعه داده های بسیار بزرگ از داده های آنالوگ برچسب خورده ، مانند تصویر ، متن ، صدا و فیلم هستند.
بر اساس موارد گفته شده در یک فرآیند داده کاوی یا یادگیری ماشین الگوریتم های بدون ناظر بیشتر در فاز پیش پردازش مورد استفاده قرار میگیرند. در این حالت مدل در یک فرآیند آموزشی جهت ساخت مدل پیش بینی گر دقیق ساخته میشود. سپس بهترین تطابق برای تصمیم گیری انتخاب میشود. الگوریتم های درخت تصمیم به دلیل سریع و دقیق بودن، جزو الگوریتم های پر طرفدار در الگوریتم های یادگیری ماشین هستند. تصمیم گیری ها ساختار درخت را تا زمانی که یک تصمیم برای داده جدید اتخاذ شود مورد پیمایش قرار میدهند. پس حدود ۵ دقیقه وقتتان را در اختیار ما قرار دهید و پس از آن به دیدی جامع از الگوریتم های یادگیری ماشین دست پیدا کنید. یک بسط تولید شده از روش دیگر (معمولاً روشهای رگرسیون) که مدلها را بر اساس پیچیدگی آنها جریمه می کند ، و مدل های ساده تری را نیز ارائه می دهد که در تعمیم نیز بهتر هستند. لذا در این پست از توضیح آن خودداری میکنیم و در پست های آتی در یک پست مجزا توضیحاتی در مورد آن ارائه خواهیم داد. یکی از زیرشاخه های مهم در شبکه های عصبی، شبکه عصبی عمیق است که در بخش بعدی با توجه به حجیم بودن آن توضیحاتی ارائه میگردد.