ترجمه شده توسط علیرضا جهانشیری
چکیده
یادگیری ماشینی یعنی بررسی الگوریتم های رایانه و داده های نمونه برای ساخت یک مدل استاندارد ریاضی
تصمیم گیری بدون برنامه ریزی یادگیری ماشین به معنای اینه که سیستم رایانه ای وظیفه ای را انجام میده بدون اینکه وظیفه ای که برنامه ریزی نشده باشه . ما با کاوش در رابطه با ماشین ، مفهوم یادگیری ماشین را به طور دقیق مطالعه کردیم
یادگیری با سایر زمینه ها ، رویکردهای یادگیری ماشین ، مدل های یادگیری ماشین و محدودیت های یادگیری ماشین.
سه روش اصلی برای مطالعه یادگیری ماشین تحت نظارت ، بدون نظارت و نیمه نظارت وجود داره . غیر از این یادگیری ماشین تقویت کننده ی خودآموزی ، یادگیری ویژگی ها ، یادگیری فرهنگ لغت پراکنده ، تشخیص انحراف و یادگیری یک شبکه عصبی مصنوعی ، درختان تصمیم ، ماشین های بردار پشتیبانی کننده ، تحلیل رگرسیون ، شبکه بیزی ، الگوریتم های ژنتیکی ، و برخی از مدل های آموزشی.
ما برخی از محدودیت های یادگیری ماشین مانند تعصب ، دقت ، اخلاق و هزینه بالای نصب را پیدا کردیم. برای تأیید این محدودیت ها ، ما همچنین از طریق فرم Google برای بررسی دو مورد ، یک نمونه بررسی از 400 خریدار بدون خرید در شهر ناشیک انجام دادیم
مشکل ها : آیا خریداران هنگام خرید از برنامه های موبایل تجارت الکترونیکی احساس تعصب می کنند؟ و آیا خریدار هنگام معامله احساس غارت می کند؟
مسائل مربوط به مراقبت های بهداشتی در بیمارستان ها؟
با استفاده از برنامه های تجارت الکترونیکی و خریداران هنگام برخورد با خدمات مراقبت های بهداشتی با تجربه اخلاق بد به غارت می روند. ما بعلاوه برخی از راه حلها در مورد محدودیتهای یادگیری ماشین مانند فرم خوداظهاری توسط تجارت الکترونیکی ،
استاندارد سازی صورتحساب های پزشکی پیشنهادی و راه حل های سفارشی نسبت به اقساط سخت افزاری جستجو کرده ایم.
کلمات کلیدی: هوش مصنوعی ، تعصب ، داده های بزرگ ، یادگیری ماشین ، شبکه
1. معرفی
1.1 پیش زمینه
آرتور ساموئل ، کارمند سابق IBM ، پیشگام در هوش مصنوعی و بازی های رایانه ای اصطلاح یادگیری ماشین را ابداع کرده
در سال 1959 نیلسون کتاب مفهومی یادگیری ماشین رو در سال 1960 ارائه داده که عمدتا بر روی الگو متمرکز شده
مرتب سازی : علاقه شناسایی الگو در دهه 1970 که توسط هارت و دودا در سال 1973 نوشته شده است ادامه یافت
بعلاوه ، در سال 1981 گزارشی از یک شبکه عصبی نشان داده که 40 کاراکتر رو از یک سیستم رایانه ای شناسایی کرده
تام ام میچل : الگوریتم های یادگیری ماشین رو چنین تعریف کرده که "یک برنامه الگوریتم کامپیوتر از اون یاد می گیره و اگر عملکرد اون با پیشرفت بهبود یابد ، تجربه اون در مورد "T" و ارزیابی عملکرد "P" است
(تجربه در هنگام انجام وظیفه داده شده)
تعریف
یادگیری ماشینی بررسی الگوریتم های رایانه و داده های نمونه برای ایجاد یک استاندارد ریاضیه
مدل تصمیم گیری بدون برنامه ریزی: یادگیری ماشین به معنای عملکرد سیستم رایانه هستش
کاری بدون برنامه ریزی برای اون کار: این کار با هدایت ماشین به سمت برنامه الگوریتم یک کار ساده رو انجام می ده
تمام مراحل لازم رو برای انجام کار انجام دادن: هیچ یادگیری در رایانه مورد نیاز نیست
نظریه یادگیری ماشین : تعمیم در حوزه یادگیری ماشین استفاده از این مفهوم برای کار بر روی وظایف جدید و ساخت یک است
مدل الگوریتم استاندارد پس از تجربه داده های قبلی: تئوری یادگیری مطمئن نیست که
عملکرد مورد انتظار چون آینده را نمی توان پیش بینی کرد و پیش بینی عملکرد مبتنی بر احتمال معمول است.
برای پیش بینی عملکرد خوب در محدوده تعمیم ، پیچیدگی فرضیه باید برابر باشد با
پیچیدگی عملکردی داده های مورد بررسی
اهداف
1. مطالعه مفهوم یادگیری ماشین.
2. برای یافتن محدودیت های یادگیری ماشین.
2. بررسی ادبیات
2.1 یادگیری ماشین و سایر زمینه های تحصیلی مرتبط
مقایسه مفهوم و دامنه یادگیری ماشین در زمینه های مختلف تحصیلی در پایین توضیح داده شده:
آ. هوش مصنوعی: از سال 2020 ، خیاز از محققان میگن که ML جزئی از AI هستش . با این حال تعداد کمی دوستش دارند.
دکتر دانیل هولم ، که در حال تدریس هوش مصنوعیه، میگه که ML و AI به طور قابل توجهی متفاوت هستند.
ب. داده کاوی: داده کاوی و ML از روش های یکسان استفاده می کنند و با هم تداخل می کنند ، اما یادگیری ماشین در آموزش پیش بینی مبتنی بر داده متمرکزه، در حالی که داده کاوی در جستجوی شخصیت های ناشناخته متمرکز.
در داده های نمونه یادگیری ماشینی عملکرد مربوط به ظرفیت تولید مجدد داده های شناخته شده را ارزیابی می کنه ولی در یادگیری ، در حالی که در داده کاوی کار اصلی جستجوی اطلاعات ناشناخته قبلیه.
ج. بهینه سازی: بسیاری از وظایف یادگیری ماشین برای بهینه سازی ضرر و زیان دستگاه بر اساس داده های نمونه. توابع از دست دادن تفاوت بین پیش بینی های ماشین آموزش دیده و واقعی را توضیح می ده.
داده ها: در اینجا ، مدل بهینه سازی الگوریتم متمرکز شده تا از دست دادن داده های آموزش را به حداقل برسونه. در حالی که یادگیری ماشینی بر کاهش تلفات در نمونه های داده های غیبی یا ناشناخته متمرکزه.
د. آمار: آمار نتیجه گیری از جمعیت رو بر اساس یک نمونه داده جمع آوری شده نتیجه گیری میکنه، در حالی که روی الگوهای پیش بینی داده های جمع آوری شده کار میکنه که جوردن در مورد ML این را نشان می دهد مفهوم ML از روش به تئوری سابقه تجربه قبلی در آمار رو داشت. او کل را اصطلاح کرد
یادگیری ماشینی ، محدودیتها و راه حلهای آن در مورد فناوری اطلاعات
رویکردهای یادگیری ماشین
سه روش اصلی برای مطالعه یادگیری ماشین رو در پایین توضیح داده ایم:
آ. یادگیری ماشین تحت نظارت: برنامه الگوریتم های تحت نظارت ML برای ساخت مدلی از داده های ریاضی که مجموعه ای شامل هر دو ورودی و خروجی های مورد انتظار (راسل و همکاران ، 2010). داده ها بیشتر از طریق آموزش است
که متشکل از یک یا چند ورودی آموزش است و خروجی مورد انتظار به عنوان نشانه نظارتی از
علامت. هر داده آموزشی با استفاده از بردار یا آرایه در الگوریتم نشان داده می شود و داده های نمونه آموزش است
ارائه شده توسط یک ماتریس ریاضی. MLتحت نظارت یک عملکرد قابل پیش بینی را در مورد خروجی مطالعه می کند
ارتباط با ورودی های جدید از طریق اهداف بهینه سازی تلفیقی تکراری [23]. یک داده بهینه
تابع به الگوریتم ریاضی کمک می کند تا خروجی ورودی های خارج از آموزش را به درستی تعیین کند
دامنه داده یک الگوریتم ریاضی است که دقت خروجی یا پیش بینی های مبتنی بر زمان را بیشتر بهبود می بخشد
انجام آن وظیفه داده شده [24]. الگوریتم های تحت نظارت ML یادگیری فعال ، مرتب سازی و تجزیه و تحلیل را در نظر می گیرند
رگرسیون [1]. طبقه بندی مدل الگوریتم ریاضی که ایمیل ها را مرتب می کند ، داده های ورودی یک خواهد بود
ایمیل ورودی و داده های خروجی مورد انتظار نام پوشه ای است که در آن ایمیل منتقل می شود.
ب یادگیری ماشین بدون نظارت: الگوریتم های ریاضی بدون نظارت ML از یک نمونه داده حاوی استفاده می کنند
فقط ورودی ها را می گیرد و ساختار داده را مانند یک خوشه یا گروه از داده ها تجزیه و تحلیل می کند. بنابراین مدل الگوریتم ها مطالعه می شود
از داده های آزمون جمع آوری شده بدون برچسب ، طبقه بندی نشده یا طبقه بندی نشده. MLبدون نظارت تمرکز نمی کند
در مدل بازخورد و الگوریتم ها سعی کنید قسمت یکسانی را در داده ها شناسایی کنید و بر اساس هر یک عمل کنید
داده ورودی جدید یک مثال MLبدون نظارت ، یافتن تابع احتمال تراکم است [8،9]. تجزیه و تحلیل خوشه است
مشاهدات گروهی یا خوشه ای به گونه ای تنظیم شده اند که نقاط مشاهده در یک خوشه مشابه بر اساس aبرابر هستند
مجموعه معیارهای از پیش طراحی شده ، در حالی که مشاهدات نتیجه گرفته شده از گروه ها یا خوشه های مختلف مشابه نیستند.
هر تکنیک خوشه بندی فرضیه های جداگانه ای راجع به ساختار داده ها مانند استحکام داخلی دارد
شباهت اعضای گروه و تفاوت خوشه.
ج یادگیری ماشین نیمه نظارت شده: ML نیمه نظارت شده بین دستگاه نظارت شده و بدون نظارت است
یادگیری. به عنوان مثال ، برچسب های آموزشی وجود ندارد ، اما تعداد کمی از محققان ML آن را بدون برچسب تجزیه و تحلیل کرده اند
داده ها و تعداد کمی از داده های دارای برچسب که با هم استفاده می شوند ، دقت یادگیری را بهبود می بخشد. در MLتحت نظارت ، مطالعه
انواع پر سر و صدا ، محدود یا نادرست است. در حالی که این برچسب های مورد انتظار ارزان به دست می آیند که نتیجه آن است
مجموعه ای از آموزش با اثربخشی بیشتر.
2.3 تعداد کمی از رویکردهای یادگیری ماشین
جدا از این سه اصلی ، چند نوع دیگر از رویکردهای یادگیری ماشین در زیر بحث شده است:
آ. تقویت یادگیری ماشین: تقویت کننده ML متمرکز بر عوامل نرم افزاری است که سعی می کنند کل را به حداکثر برسانند
پاداش در یک محیط خاص این در رشته هایی مانند نظریه کنترل ، تئوری بازی ، اطلاعات مورد مطالعه قرار می گیرد
نظریه ، هوش بهینه سازی مرکز شبیه سازی در ازدحام ، آمار و الگوریتم ها در ژنتیک. مقداری
الگوریتم های ریاضی تقویت MLابزار برنامه پویا را تمرین می کنند [30]. در وسایل نقلیه اتومبیل نیز استفاده می شود
یا بازی با یک انسان
ب خودآموزی: خودآموزی به عنوان مطالعه ML در سال 1982 با یک شبکه عصبی و یادگیری خود نیز آغاز شد
معروف به Crossbar Adaptive Array که CAA است (بوژینوفسکی ، 1982). CAA به معنای عدم شناسایی خارجی با است
88 جلد 11 ، شماره 2 ، مه-آگوست ، 2020 (IJARITAC)
روهیت کنگ
پاداش و مشاوره معلم هنگام یادگیری. CAA با سبکی از تیرآهن محاسبه می کند ، جایی که هر دو
عمل و احساسات در مورد موقعیت های نتیجه تصمیم می گیرند. این سیستم یادگیری توسط احساسات و شناخت ایجاد می شود
تعامل (بوژینوفسکی ، 2014). بعلاوه ، این یک سیستم ورودی و یک سیستم خروجی است. مقدار نتیجه زودتر منتشر شده
پاسخ عاطفی نسبت به وضعیت حاصل است. انواع CAA رفتاری و ژنتیکی است
محیط ها CAA یک طبیعت هدف گرا را در محیطی با شرایط مطلوب و مخالف درک می کند
پس از به دست آوردن ناقل ژنوم.
ج یادگیری ویژگی: الگوریتم های ریاضی یادگیری بیشتر سعی می کنند ورودی های بهتری را که از طریق آنها دریافت می شود پیدا کنند
آموزش [33]. اجزای اصلی و تجزیه و تحلیل داده های خوشه ای نمونه های معمولی همان هستند. ویژگی یادگیری
همچنین به عنوان الگوریتم های نمایندگی شناخته می شود ، سعی می کند داده ها را در ورودی آن ذخیره کند ، اما همچنین با استفاده از آن مفید است ،
بیشتر به عنوان یک مرحله قبل از انجام پیش بینی ها این می تواند تحت نظارت یادگیری یا بدون نظارت باشد. تحت نظارت
شامل شبکه های عصبی ، تعصب و یادگیری فرهنگ لغت است ، در حالی که بدون نظارت شامل یک فرهنگ لغت ، فردی است
تجزیه و تحلیل م componentلفه ها ، خود رمزگذارها ، فاکتوراسیون یک ماتریس [28] و بسیاری از انواع خوشه بندی [10،11]. ویژگی
یادگیری نیاز به ورودی برای مرتب سازی دارد که پردازش آن از نظر ریاضی آسان است ، در حالی که داده های جمع آوری شده در زمان واقعی
ورودی مانند تصویر و فیلم سعی در تعریف دقیق کاراکتر ندارد.
د یادگیری فرهنگ لغت پراکنده: نوعی یادگیری ویژگی است که دارای توابع اساسی است که یکپارچه سازی خطی دارد
به عنوان ماتریس پراکنده شناخته می شود. یادگیری فرهنگ لغت کم در بسیاری از زمینه ها قابل استفاده است. برای فرهنگ لغت که
با تعریف هر کلاس ، آموزش جدید با کلاسی مرتبط می شود که توسط فرهنگ لغت مربوطه پراکنده است.
ه تشخیص انحراف: همچنین به عنوان تشخیص برون رفت یا شناسایی حوادث یا مشاهدات نادر شناخته می شود
که از استاندارد منحرف می شوند [29]. به عنوان مثال کلاهبرداری در بانک ها ، نقص در ساخت و سازها ، مسائل پزشکی یا
خطاهای متن سه نوع تکنیک در تشخیص انحراف ، تشخیص انحراف بدون نظارت است
سر و کار داشتن با داده های بدون برچسب ، تشخیص انحراف تحت نظارت که با داده های دارای برچسب سروکار دارد و تشخیص انحراف نیمه نظارت شده که با داده های آموزش عادی سروکار دارد [8].
f یادگیری ربات: این مجموعه الگوریتم های ریاضی سری تجربه یادگیری خود را ایجاد می کند ، همچنین معروف به
برنامه درسی ، برای ارتقا with با مهارت های پیشرفته توسط داده های هدایت شده توسط خود
2.4 مدل های یادگیری ماشین
در زیر انواع مختلف مدل های ML به تفصیل آورده شده است:
آ. شبکه عصبی مصنوعی: شبکه های عصبی مصنوعی سیستم های الگوریتمی هستند که توسط مغز حیوانات تشکیل دهنده عصب بیولوژیکی هستند
شبکه هایی که برای انجام کار بدون هیچ پیش قانونی طراحی شده اند. ANN یک ساختار نورون مصنوعی است
به عنوان یک مغز بیولوژیکی کار می کند. هر اتصال نورونی می تواند اطلاعات یا سیگنال را از یک به دیگری منتقل کند
نورون برای پردازش. اتصالات نورونهای مصنوعی به عنوان لبه شناخته می شوند. در مجموع وزنی دارد که
با پیشرفت یادگیری خود را متعادل می کند. به طور معمول ، سلول های عصبی مانند لایه های دسته ای قرار دارند. عملکرد این لایه ها متفاوت است
بر اساس ورودی هایی که به آنها داده شده است. سیگنالهای داده از ورودی به لایه خروجی منتقل می شوند ممکن است بعد از عبور از
چندین بار لایه ها هدف ANN حل مسائلی مشابه مغز انسان است.
ب درختان تصمیم: این رویکرد یادگیری برای پیشبرد مشاهدات از ساختار پیش بینی درخت تصمیم استفاده می کند
به نتیجه گیری در مورد هدف مورد این روش در ریاضیات ، جمع آوری داده ها و ML استفاده می شود. درخت
89
یادگیری ماشینی ، محدودیتها و راه حلهای آن در مورد فناوری اطلاعات
جلد 11 ، شماره 2 ، مه-آگوست ، 2020 (IJARITAC)
مدل ها به یک مقدار گسسته برای متغیر هدف که یک درخت طبقه بندی نیز گفته می شود ، اجازه می دهند. که در آن برگ از
درخت برچسب های کلاس را نشان می دهد و شاخه های یک درخت هم پیوندهای برچسب کلاس را نشان می دهد. درختان تصمیم با
مقدار مداوم متغیر هدف به عنوان درخت رگرسیون شناخته می شود.
ج ماشینهای بردار پشتیبان: ماشینهای بردار پشتیبان SVM تحت نظارت MLاست که عمدتا برای مرتب سازی و
پسرفت. الگوریتم SVMمدلی را ایجاد می کند که دسته نمونه ها را حدس می زند. الگوریتم SVM یک است
طبقه بندی باینری ، غیرحتمل و خطی. همچنین مرتب سازی غیرخطی را با استفاده از ترفند هسته به طور کارآمد انجام می دهد
که به طور ضمنی نگاشت ورودی به فضای ویژگی با ابعاد بالا است.
د تحلیل رگرسیون: تحلیل رگرسیون بسیاری از فرایندهای آماری را برای اندازه گیری متغیرهای ورودی تحت پوشش قرار می دهد
رابطه با ویژگی های آنها یک مثال معمول حداقل مربعات معمولی است. رگرسیون چند جمله ای می تواند باشد
برای رسیدگی به مسائل غیر خطی استفاده می شود. رگرسیون لجستیک دارای داده های غیر خطی برای نقشه برداری کامل از ورودی است
متغیرها برای فضای بالاتر از بعد.
ه شبکه بیزی: شبکه بیزی یا اعتقادی یک مدل احتمالاً گرافیکی است که متغیرهای تصادفی را ارائه می دهد
مجموعه و استقلال آنها بر اساس شرایط مربوط به DAG است که یک نمودار چرخشی مستقیم است. یک مثال مشترک
می تواند نمایانگر رابطه احتمالی بین بیماری ها و علل آنها باشد. شبکه محاسبه می کند
احتمال مبتنی بر علائم داده شده از بیماری های مختلف است. تعمیم شبکه بیزی که می تواند
انجام تصمیم گیری در شرایط عدم اطمینان به عنوان نمودارهای نفوذ شناخته می شوند.
f الگوریتم های ژنتیک: GA که یک الگوریتم ژنتیک است یک روش جستجوگرانه و ابتکاری است که نسخه طبیعی را کپی می کند
فرآیند انتخاب با استفاده از روش جهش برای ایجاد ژنوتیپ های جدید برای یافتن راه حل های شناسایی شده
مسئله؛ در حالی که ، ML در حال بهبود عملکرد الگوریتم ژنتیک است [9].
g یادگیری فدراتیکی: یادگیری فدرال یک نوع ارتقا یافته هوش مصنوعی توزیع شده برای آموزش مدل های ML است که اجازه می دهد
حریم خصوصی کاربران با استفاده از روشهای غیرمتمرکز آموزش. به عنوان مثال ، G-board از ML فدراسیون برای استفاده می کند
س searchال جستجوی گوگل. Netflixاولین مسابقه را در سال 2006 ترتیب داده بود تا به پیش بینی تنظیمات کاربر دسترسی پیدا کند
و برنامه دقت آن در مدل الگوریتم پیشنهاد فیلم موجود حداقل 10٪. به علاوه،
نت فلیکس تحلیل کرد که رتبه بندی بینندگان نسبت به الگوی مشاهده آنها بهترین نیست و آنها رتبه بندی خود را بهبود بخشیدند
برنامه پیشنهادی بر این اساس. در سال 2014 ، الگوریتم ML در زمینه تاریخ هنر برای درک استفاده شده بود
هنرهای زیبا و ممکن است تأثیرات شناخته نشده قبلی را بین هنرمندان کشف کند
2.5 محدودیت های یادگیری ماشین
برنامه های ML در بسیاری از مواقع نتوانند نتایج مطلوبی را ارائه دهند. دلایل اصلی این عدم موفقیت جمع آوری داده ها است ،
عدم دسترسی به داده ها ، داده های مغرضانه ، مسائل مربوط به حریم خصوصی داده ها ، برنامه یا الگوریتم اشتباه ، افراد غیرماهر ، منابع
در دسترس نبودن ، و مشکلات اندازه گیری. وسیله نقلیه خودران Uber در سال 2018 موفق به شناسایی عابر پیاده نشد ، که
توسط یک تصادف کشته شد برخی از محدودیت های اصلی یادگیری ماشین در زیر بحث شده است ،
آ. تعصب: یک روش یادگیری ماشین که بر روی مشتریان موجود ساخته شده است ممکن است نیازهای جدید مشتری را پیش بینی نکند
در اطلاعات آموزش موجود موجود نیست. یادگیری ماشینی وقتی سعی می شود همان سوگیری فعلی را در جامعه جذب کند
در مورد جمع آوری دستی اطلاعات (گارسیا ، مگان ، 2016). روش یادگیری ماشینی برای ریسک کیفری تلاش می کند
اندازه گیری برای افراد رنگ سیاه مغرضانه یافت شد [14،16]. عکس های Google در سال 2014 افراد سیاه پوست را برچسب گذاری کرده بود
90 جلد 11 ، شماره 2 ، مه-آگوست ، 2020 (IJARITAC)
روهیت کنگ
به عنوان گوریل [2]. مایکروسافت یک ربات چت را تأیید کرد که از توییتر برای انتخاب زبان نژادپرستانه در سال 2016 مطالعه کرده است
[17،21]
ب. ارزیابی مدل: مدل های MLطبقه بندی را می توان با روش های ارزیابی دقت مانند Holdout ارزیابی کرد
که داده های آموزش را می شکند ، آزمون را تنظیم می کند و عملکرد مدل آموزش را اندازه گیری می کند. در حالی که ، فرایند اندازه گیری K-foldcross به طور تصادفی داده ها را به زیر مجموعه های K تقسیم می کند و تعداد بیشتری Kآزمایشات انجام می شود
هر یک را با در نظر گرفتن یک زیر مجموعه برای تجزیه و تحلیل عملکرد و زیر مجموعه K-1برای آموزش مدل اجرا کرد. بوت استرپ
روش دیگری است که می توان برای ارزیابی دقت مدل تلاش کرد (کهوی ، 1995). TOC یعنی
Total Operating Characteristic یک روش بیان ظرفیت تشخیصی مدل است [27].
ج اخلاق: ML به دلیل تعصب زبانها به داده ها و مستندات صحیح الگوریتم نیاز دارد [24،25]. اخلاق دیگر
با درک انتقادی از توسعه سیستم مراقبت های بهداشتی ، تعصب در بخش مراقبت های بهداشتی دیده می شود
برای اهداف سود تجاری ML می تواند با رفع این سوگیری های حرص و طمع این مسائل را در مراقبت های بهداشتی کنترل کند [9،26].
د سخت افزار: GPU که واحد پردازش گرافیکی با افزایش AI است ، پردازنده ها را به عنوان فرآیند اصلی نشان داده است
آموزش ابر بزرگ تجاری (هفته اطلاعات ، دسامبر 2019). هوش مصنوعی با سخت افزار مورد استفاده در MLبرای
الکس نت و آلفا صفر 300،000 برابر مبلغ سرمایه گذاری و 3/4 ماه افزایش جدول زمانی را پیدا کردند
پروژه [18،28].
3. روش شناسی
3.1 خلاapموجود در مطالعه یادگیری ماشین
ما مفهوم یادگیری ماشین را به طور دقیق مطالعه کردیم و برخی از شکاف ها را پیدا کردیم که باید پاسخ دهیم همانطور که در زیر ذکر شده است ،
آ. سوگیری ناشی از داده های تاریخی موجود در سیستم.
ب تکرارپذیری و تکرارپذیری با دقت کمتر.
ج مسائل اخلاقی مربوط به سودآوری در برابر کیفیت پایین محصولات یا خدمات متعهد.
د سرمایه گذاری بالا برای نصب و نگهداری سخت افزار.
3.2 بیان مسئله
برای پاسخ به شکاف های فوق که هنگام مطالعه یادگیری ماشین یافت شد ، ما عبارات مسئله زیر را تشکیل دادیم ،
1. آیا خریدار هنگام خرید از برنامه های تلفن همراه تجارت الکترونیکی احساس تعصب می کند؟
2. آیا هنگام خرید و فروش در بیمارستانها ، خریدار احساس غارت می کند؟
3.3 جمع آوری داده ها
ما تصمیم گرفتیم پاسخ اولیه داده ها را از خریداران واقعی جمع آوری کنیم تا با مجموعه ای به عبارت مسئله فوق پاسخ دهیم
از سوالات پس از آن توضیح داده شده است.
3.3.1 داده های اولیه برای بیان مسئله یک
ما تصمیم گرفتیم حجم نمونه 400 پاسخ خریدار no’s را از جمعیت خریداران برنامه های تلفن همراه تجارت الکترونیکی تعیین کنیم
تقریباً 3 مورد از شهر Nasik همانطور که در زیر توضیح داده شده است ،
آ. اندازه نمونه = (0.5 ((1-0.5)) / ((0.05 / 1.96) مربع)
= 0.25 / ((0.02551) مربع)
= 0.25 / 0.00065
اندازه نمونه = 384.16 شماره
ب اندازه واقعی نمونه = (384.16x 300000) / (384.16 + (300000 - 1))
اندازه واقعی نمونه = 383.66 شماره
= تقریباً 400
ما 400 نفر از خریداران را با مجموعه ای از س onال ها در مورد تجربه خرید برنامه های تلفن همراه از طریق تجارت الکترونیکی مانند موارد زیر بررسی کردیم
درخواست محصولات توسط برنامه های مبتنی بر تاریخچه ، پیشنهادات مربوط به محصولات مربوط به تاریخ و اعلان های مشابه
رنگ ، اندازه مواد محصولات خریداری شده زودتر. ما به دنبال پاسخ تلفیقی در نظرسنجی در سال
شکل 1: نمونه 400 پاسخ منفی خریداران نسبت به تعصب برنامه های تجارت الکترونیکی
از نتایج نظرسنجی نمونه فوق ، نتیجه گرفتیم که خریداران تجربه تعصب را هنگام استفاده از تجارت الکترونیکی احساس می کنند
برنامه ها
3.3.2 داده های اولیه برای بیان مسئله دو
ما تصمیم گرفتیم اندازه نمونه 400 خریدار بدون پاسخ خریداران از تقریباً خریداران خدمات بهداشتی درمانی باشد
70،000 از Nasik City همانطور که در زیر توضیح داده شده است:
آ. اندازه نمونه = (0.5 ((1-0.5)) / ((0.05 / 1.96) مربع)
= 0.25 / ((0.02551) مربع)
= 0.25 / 0.00065
اندازه نمونه = 384.16 شماره
ب اندازه واقعی نمونه = (384.16x 70000) / (384.16+ (70000 - 1))
اندازه واقعی نمونه = 382.068 عدد
= تقریباً 400
ما 400 نفر از خریداران را با مجموعه ای از سوالات مربوط به خدمات بهداشتی و درمانی با استفاده از تجربه در بیمارستان هایی بررسی کردیم
همانطور که درخواست بسیاری از آزمایشات سلامتی هنگام ورود به بیمارستان ، بسیاری از داروها تجویز شده و احساس مراقبت های بهداشتی است
غارت خریدار. ما به دنبال پاسخ تلفیقی در نظرسنجی در شکل 2 هستیم.
شکل 2: نمونه 400 پاسخ منفی خریدار نسبت به اخلاق بد مراقبت های بهداشتی
از نتایج نظرسنجی فوق ، به این نتیجه رسیدیم که خریداران در هنگام برخورد با تجربه اخلاق بد ، غارت شده احساس می کنند
خدمات مراقبت های بهداشتی.
3.4 راه حل های احتمالی بیش از محدودیت های یادگیری ماشین
ما چند راه حل برای محدودیت های یادگیری ماشین ارائه داده ایم ،
آ. فرم خوداظهاری: برنامه های تجارت الکترونیکی می توانند گزینه احساس اظهارنامه خود رو به خریداران برای انتخاب گزینه بدهند
ب. استاندارد سازی صورتحساب های پزشکی پیشنهادی: خدمات بهداشتی درمانی می توانند هزینه احتمالی درمان رو نشان دهند که در سازمان خود برای خریداران تجربه اخلاق بد را از بین ببرند.
ج . راه حل های سفارشی طبق نیاز کاربر برای پاسخگویی به سرمایه گذاری بالا برای نصب سخت افزار و نگهداری.
4. نتیجه گیری:
ما با کاوش در رابطه یادگیری ماشین با دیگران ، مفهوم یادگیری ماشین را به طور دقیق مطالعه کردیم
زمینه ها ، رویکردهای یادگیری ماشین ، مدل های یادگیری ماشین و محدودیت های یادگیری ماشین. ما بیشتر برای پاسخگویی به دو مشکل آیا ، یک نمونه بررسی از 400 خریدار منفی در شهر Nasik از طریق فرم Google انجام داده است
آیا خریدار هنگام خرید از برنامه های تلفن همراه تجارت الکترونیکی احساس تعصب می کند؟ و آیا خریدار هنگام معامله احساس غارت می کند؟
مسائل مربوط به مراقبت های بهداشتی در بیمارستان ها؟ از نتایج نظرسنجی نمونه ، نتیجه گرفتیم که خریداران تجربه تعصب را احساس می کنند
در حالی که از برنامه های تجارت الکترونیکی استفاده می کنید و خریداران با تجربه اخلاق بد در هنگام برخورد با مراقبت های بهداشتی احساس غارت می کنند
خدمات: ما همچنین برخی از راه حل ها را برای محدودیت های یادگیری ماشین مانند خوداظهاری پیشنهاد کردیم
فرم توسط تجارت الکترونیکی ، استاندارد سازی صورتحساب پزشکی پیشنهادی و راه حل های سفارشی از طریق سخت افزار
و این است پایان ترجکه این مقاله توسط علیرضا جهانشیری