شما اینجایید
خانه > آموزش > هوش مصنوعی با پایتون، بخش سوم – یادگیری ماشین (قسمت دوم)

هوش مصنوعی با پایتون، بخش سوم – یادگیری ماشین (قسمت دوم)

هوش مصنوعی با پایتون

الگوریتم‌های یادگیری ماشین تقویتی

این نوع الگوریتم‌های یادگیری ماشین بسیار کم استفاده می‌شوند. این الگوریتم‌ها برای تصمیم‌های مشخصی سیستم‌ها را آموزش می‌دهند. اساساً ماشین برای محیطی که در آن به‌طور پیوسته با استفاده از متد آزمون‌وخطا تعلیم‌دیده، شناخته‌شده است. این الگوریتم‌ها از تجربیات گذشته می‌آموزند و یاد می‌گیرند و تلاش می‌کنند تا بهترین دانش ممکن را برای تصمیم‌گیری دقیق در نظر بگیرند. فرآیند تصمیم‌گیری مارکوف نمونه‌ای از الگوریتم‌های یادگیری ماشین تقویتی است.

متداول‌ترین الگوریتم‌های یادگیری ماشین

در این بخش، ما درباره متداول‌ترین الگوریتم‌های یادگیری ماشین یادگیری ماشین خواهیم آموخت. الگوریتم‌ها در زیر شرح داده‌شده‌اند:

  ۱- رگرسیون خطی:

یکی از شناخته‌شده‌ترین الگوریتم‌های آمار و یادگیری ماشین است.

مفهوم پایه- رگرسیون خطی عمدتاً یک مدل خطی است که فرض می‌کند رابطه خطی بین متغیرهای ورودی که X می‌نامیم و متغیر خروجیِ واحد Y برقرار است. به‌عبارت‌دیگر می‌توان گفت که Y می‌تواند از یک ترکیب خطی متغیرهای ورودی X محاسبه شود. رابطه بین متغیرها می‌تواند با تنظیم بهترین خط ایجاد شود.

انواع رگرسیون خطی

 رگرسیون خطی از دو نوع زیر است:

  • رگرسیون خطی ساده: الگوریتم رگرسیون خطی، اگر تنها یک متغیر مستقل داشته باشد، رگرسیون خطی ساده نامیده می‌شود.
  • رگرسیون خطی چندگانه: الگوریتم رگرسیون خطی اگر دارای بیش از یک متغیر مستقل باشد، رگرسیون خطی چندگانه نامیده می‌شود.

رگرسیون خطی عمدتاً برای تخمین مقادیر حقیقی بر اساس متغیر پیوسته استفاده می‌شود. برای مثال کل فروش یک فروشگاه در یک روز، بر اساس مقدار حقیقی می‌تواند با رگرسیون خطی تخمین زده شود.

رگرسیون منطقی

یک الگوریتم طبقه‌بندی است و همچنین به‌عنوان رگرسیون logit شناخته می‌شود.

رگرسیون منطقی عمدتاً یک الگوریتم طبقه‌بندی است که برای تخمین مقادیر گسسته مانند صفر یا ۱، درست یا غلط، بله یا خیر بر اساس یک مجموعه داده‌شده از متغیرهای مستقل استفاده می‌شود. رگرسیون خطی اساساً احتمال را محاسبه می‌کند بنابراین خروجی‌هایش بین ۰ و ۱ قرار دارند.

درخت تصمیم‌گیری

درخت تصمیم‌گیری یک الگوریتم نظارت‌شده است که اغلب برای مسائل طبقه‌بندی استفاده می‌شود. اساساً یک طبقه‌بندی کننده است که به‌عنوان تقسیم‌بندی بازگشتی[۱] بر اساس متغیرهای مستقل بیان‌شده است. درخت تصمیم‌گیری دارای گره‌هایی است که درخت ریشه‌دار را شکل می‌دهند. درخت ریشه‌دار یک درخت هدایت‌شده با یک گره به نام ریشه است. ریشه هیچ لبه ورودی ندارد و تمام گره‌های دیگر، یک بله ورودی دارند. این گره‌ها برگ یا گره‌های تصمیم‌گیرنده نامیده می‌شوند.

قسمت‌های دیگر این مقاله آموزشی را از لینک‌های زیر بخوانید:

هوش مصنوعی با پایتون، بخش سوم – یادگیری ماشین (قسمت اول)

هوش مصنوعی با پایتون، بخش سوم – یادگیری ماشین (قسمت آخر)

[۱] Recursive

پاسخ دهید

بالا