توضیحات

عنوان: یادگيری ماشين (Machine learning)

چکیده
فصل اول: مقدمه
مقدمه
فصل دوم
یادگیری ماشین
تعریف
تاریخ
روشهای یادگیری ماشین
الگوریتم های یادگیری ماشین
شبکه مصنوعی
شکل ساختار نورون مصنوعی
جدول شماره
شبکه های عصبی مصنوعی تک لایه و چند لایه
شبکه های عصبی مصنوعی Feedforward و Back انتشار
درختان تصمیم
شکل نمونه ای از درخت تصمیم
ویژگی های الگوریتم درخت تصمیم
پشتیبانی از ماشین های برداری
شکل هواپیماهای بزرگ برای مشکل با دو کلاس
شکل بردارهای فوق العاده هواپیما و پشتیبانی
شکل یافتن ابر هواپیما برای داده های قابل تفکیک خطی
شکل مجموعه داده های جدایی ناپذیر خطی
شکل یافتن ابر هواپیما برای مجموعه داده های غیرقابل تفکیک خطی
شکل تبدیل داده ها به ابعاد بالاتر با استفاده از تابع هسته
روش اماری بیز
رگرسیون لجستیک
knn
مناطق کاربردی یادگیری ماشین
فصل سوم
نتیجه گیری
مرور کلی
یادگیری ماشین چیست؟
مزیت‌های یادگیری ماشین
معایب ماشین لرنینگ
دسته بندی روش‌های ماشین لرنینگ
ماشین لرنینگ با ناظر (supervised)
الگوریتم یادگیری ماشین بدون ناظر (unsupervised)
الگوریتم‌های نیمه نظارتی
یادگیری تقویتی (Reinforcement Learning)
اهمیت یادگیری ماشین چیست؟
ارتباط هوش مصنوعی و یادگیری ماشین چیست؟
کاربردهای یادگیری ماشین چیست؟
کاربرد ماشین لرنینگ در زندگی روزمره
جمع‌بندی

چکیده :

یادگیری ماشینی علمی است که به عنوان زیرمجموعه ای از هوش مصنوعی در دهه 1950 پیدا و توسعه یافته است. اولین مراحل یادگیری ماشینی به دهه 1950 برمی گردد اما هیچ تحقیق و تحول قابل توجهی در مورد این علم انجام نشده است. با این حال ، در دهه 1990 ، تحقیقات در این زمینه شروع مجدد ، توسعه یافته و تا به امروز رسیده است. این علمی است که در آینده پیشرفت بیشتری خواهد کرد. دلیل این پیشرفت ، دشواری تحلیل و پردازش داده هایی است که به سرعت در حال افزایش است. یادگیری ماشین بر اساس اصل یافتن بهترین مدل برای داده های جدید در میان داده های قبلی به لطف این داده های افزایش یافته است. بنابراین ، تحقیقات یادگیری ماشین به موازات افزایش داده ها ادامه خواهد یافت. این تحقیق شامل تاریخچه یادگیری ماشین ، روشهای استفاده شده در یادگیری ماشین ، زمینه های کاربردی آن و تحقیقات در این زمینه است. هدف از این مطالعه انتقال دانش یادگیری ماشین است که امروزه بسیار محبوب شده است و کاربردهای آن به محققان است.

واژه های کلیدی: یادگیری ماشین ، الگوریتم های یادگیری ماشین ، هوش مصنوعی ، داده های بزرگ

1. مقدمه

یادگیری به عنوان “فرآیند تغییر و بهبود رفتارها از طریق کاوش به موقع اطلاعات جدید” توسط سیمون تعریف شده است. وقتی “یادگیری” در این تعریف توسط ماشین ها انجام می شود ، آن را یادگیری ماشین می نامند. اصطلاح پیشرفت ایجاد بهترین راه حل بر اساس تجربیات و نمونه های موجود در طی فرایند یادگیری ماشین است (Sırmaçek ، 2007). در نتیجه تحولات فناوری های اطلاعاتی ، اصطلاح “کلان داده” ظهور کرده است. اصطلاح “کلان داده” مفهوم جدیدی نیست و می تواند به عنوان مجموعه داده های خام بسیار زیاد و انباشته تعریف شود که محدودیتی ندارند و با استفاده از تکنیک های پایگاه داده سنتی قابل تحلیل نیستند (Altunışık، 2015). داده های عظیمی از برنامه های اینترنتی ، خودپردازها ، دستگاه های کشش کارت اعتباری و غیره جمع آوری می شود. اطلاعات جمع آوری شده از این طریق در انتظار تجزیه و تحلیل هستند. هدف از تجزیه و تحلیل داده های جمع آوری شده در زمینه های مختلف مطابق با بخش تجارت تغییر می کند. برنامه های یادگیری ماشین در برخی زمینه ها مانند پردازش زبان طبیعی ، پردازش تصویر و بینایی رایانه ای ، تشخیص گفتار و نوشتار دست ، خودرو ، هواپیمایی ، تولید ، تولید انرژی ، امور مالی و زیست شناسی استفاده می شود. با این حال ، هدف بر اساس اصل تجزیه و تحلیل و تفسیر داده های قبلی است. از آنجا که تجزیه و تحلیل و تفسیر توسط انسان غیرممکن است ، روشهای یادگیری ماشین و الگوریتمهایی برای انجام این کار ایجاد شده اند (آماسیال ، 2008)

در این مطالعه ، مفهوم یادگیری ماشین که اخیراً بسیار مشهور شده است ، به طور مفصل بررسی می شود. این مطالعه شامل اطلاعاتی در مورد تاریخچه یادگیری ماشین ، روش ها و الگوریتم های مورد استفاده و حوزه های کاربردی آن است. قسمت آخر نتیجه گیری است که از نتایج مطالعات قبلی تشکیل شده است.

توجه:

برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.