
انواع مختلف یادگیری ماشین بسیاری از کالاها و خدمات دیجیتالی را که هر روز استفاده میکنیم، تحت تأثیر قرار میدهند. در حالی که هر یک از این انواع مختلف یادگیری ماشین تلاش میکنند به اهداف مشابهی دست یابند – ایجاد ماشینها و برنامههایی که میتوانند بدون نظارت انسان عمل کنند – روشهای دقیقی که آنها به کار میبرند تا حدودی متفاوت است.
برای اینکه درک بهتری از تفاوتهای این انواع با یکدیگر پیدا کنید، در اینجا به بررسی کلی چهار نوع اصلی یادگیری ماشین که امروزه به طور عمده مورد استفاده قرار میگیرند، میپردازیم.
در یادگیری ماشین با نظارت، الگوریتمها روی مجموعه دادههای برچسبگذاریشده آموزش داده میشوند که شامل تگهایی است که هر قطعه از داده را توصیف میکند. به عبارت دیگر، به الگوریتمها دادههایی داده میشود که شامل یک «کلید پاسخ» است که نحوه تفسیر داده را توضیح میدهد. برای مثال، ممکن است به یک الگوریتم تصاویری از گلها داده شود که شامل برچسبهایی برای هر نوع گل باشد تا بتواند هنگام دریافت یک عکس جدید، دوباره گل را بهتر شناسایی کند.
یادگیری ماشین با نظارت اغلب برای ایجاد مدلهای یادگیری ماشینی که برای مقاصد پیشبینی و طبقهبندی استفاده میشوند، به کار میرود.
یادگیری ماشین بدون نظارت از مجموعه دادههای بدون برچسب برای آموزش الگوریتمها استفاده میکند. در این فرآیند، دادههایی به الگوریتم داده میشود که شامل برچسب نیست و این الگوریتم را ملزم میکند بدون هیچ راهنمایی خارجی، الگوها را به تنهایی کشف کند. برای نمونه، ممکن است حجم زیادی از دادههای بدون برچسب کاربر از یک سایت رسانه اجتماعی به یک الگوریتم داده شود تا بتواند روندهای رفتاری را در آن پلتفرم شناسایی کند.
یادگیری ماشین بدون نظارت اغلب توسط محققان و دانشمندان داده برای شناسایی سریع و کارآمد الگوها در مجموعه دادههای بزرگ و بدون برچسب استفاده میشود.
یادگیری ماشین نیمه-نظارتی از مجموعه دادههای برچسبگذاریشده و هم بدون برچسب برای آموزش الگوریتمها استفاده میکند. به طور کلی، در طی یادگیری ماشین نیمه-نظارتی، ابتدا مقدار کمی از دادههای برچسبگذاریشده به الگوریتمها داده میشود تا به هدایت توسعه آنها کمک کند و سپس حجم بسیار بیشتری از دادههای بدون برچسب برای تکمیل مدل به آنها داده میشود. برای مثال، ممکن است مقدار کمی از دادههای گفتار دارای برچسب به یک الگوریتم داده شود و سپس روی مجموعهی بسیار بزرگتری از دادههای گفتار بدون برچسب برای ایجاد یک مدل یادگیری ماشین قادر به تشخیص گفتار، آموزش داده شود.
یادگیری ماشین نیمه-نظارتی اغلب برای آموزش الگوریتمها برای اهداف طبقهبندی و پیشبینی در صورتی که حجم زیادی از دادههای برچسبگذاریشده در دسترس نباشد، به کار گرفته میشود.
یادگیری تقویتی از روش آزمون و خطا برای آموزش الگوریتمها و ایجاد مدلها استفاده میکند. در طول فرآیند آموزش، الگوریتمها در محیطهای خاصی عمل میکنند و سپس پس از هر نتیجه، بازخورد دریافت میکنند. درست مانند نحوه یادگیری یک کودک، الگوریتم به تدریج شروع به درک محیط خود میکند و برای دستیابی به نتایج خاص، اقدامات را بهینه میکند. برای نمونه، یک الگوریتم ممکن است با انجام بازیهای متوالی شطرنج بهینهسازی شود که به آن امکان میدهد از موفقیتها و شکستهای گذشته خود در هر بازی بیاموزد.
یادگیری تقویتی اغلب برای ایجاد الگوریتمهایی استفاده میشود که برای رسیدن به اهداف خود باید به طور مؤثر مجموعهای از تصمیمات یا اقدامات را اتخاذ کنند، مانند بازی کردن یا خلاصه کردن کل یک متن.