https://virgool.ir/feed/@ALIJENABJJfa2026-11-12 03:18:02https://files.virgool.ir/upload/users/528141/avatar/GyYxfS.jpeghttps://virgool.ir/@ALIJENABJJhttps://virgool.ir/@ALIJENABJJ/ترجمه-مقاله-machine-learning-its-limitations-and-solutions-over-it-صفحات-85-الی-95-speofh1gmmg1ترجمه شده توسط علیرضا جهانشیریچکیدهیادگیری ماشینی یعنی بررسی الگوریتم های رایانه و داده های نمونه برای ساخت یک مدل استاندارد ریاضیتصمیم 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 کردیمیادگیری 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 دادیممشکل 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 ، شبکه1. معرفی1.1 پیش زمینهآرتور ساموئل ، کارمند سابق IBM ، پیشگام در هوش مصنوعی و بازی های رایانه ای اصطلاح یادگیری ماشین را ابداع کردهدر سال 1959 نیلسون کتاب مفهومی یادگیری ماشین رو در سال 1960 ارائه داده که عمدتا بر روی الگو متمرکز شدهمرتب سازی : علاقه شناسایی الگو در دهه 1970 که توسط هارت و دودا در سال 1973 نوشته شده است ادامه یافتبعلاوه ، در سال 1981 گزارشی از یک شبکه عصبی نشان داده که 40 کاراکتر رو از یک سیستم رایانه ای شناسایی کردهتام 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)تعریفیادگیری ماشینی بررسی الگوریتم های رایانه و داده های نمونه برای ایجاد یک استاندارد ریاضیهمدل تصمیم گیری بدون برنامه ریزی: یادگیری ماشین به معنای عملکرد سیستم رایانه هستشکاری بدون برنامه ریزی برای اون کار: این کار با هدایت ماشین به سمت برنامه الگوریتم یک کار ساده رو انجام می دهتمام مراحل لازم رو برای انجام کار انجام دادن: هیچ یادگیری در رایانه مورد نیاز نیستنظریه یادگیری ماشین : تعمیم در حوزه یادگیری ماشین استفاده از این مفهوم برای کار بر روی وظایف جدید و ساخت یک استمدل الگوریتم استاندارد پس از تجربه داده های قبلی: تئوری یادگیری مطمئن نیست کهعملکرد 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 باپیچیدگی عملکردی داده های مورد بررسیاهداف1. مطالعه مفهوم یادگیری ماشین.2. برای یافتن محدودیت های یادگیری ماشین.2. بررسی ادبیات2.1 یادگیری ماشین و سایر زمینه های تحصیلی مرتبطمقایسه 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 کردیادگیری ماشینی ، محدودیتها و راه حلهای آن در مورد فناوری اطلاعاترویکردهای یادگیری ماشینسه 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 استکه متشکل از یک یا چند ورودی آموزش است و خروجی مورد انتظار به عنوان نشانه نظارتی ازعلامت. هر داده آموزشی با استفاده از بردار یا آرایه در الگوریتم نشان داده می شود و داده های نمونه آموزش استارائه شده توسط یک ماتریس ریاضی. MLتحت نظارت یک عملکرد قابل پیش بینی را در مورد خروجی مطالعه می کندارتباط با ورودی های جدید از طریق اهداف بهینه سازی تلفیقی تکراری [23]. یک داده بهینهتابع به الگوریتم ریاضی کمک می کند تا خروجی ورودی های خارج از آموزش را به درستی تعیین کنددامنه داده یک الگوریتم ریاضی است که دقت خروجی یا پیش بینی های مبتنی بر زمان را بیشتر بهبود می بخشدانجام آن وظیفه داده شده [24]. الگوریتم های تحت نظارت ML یادگیری فعال ، مرتب سازی و تجزیه و تحلیل را در نظر می گیرندرگرسیون [1]. طبقه بندی مدل الگوریتم ریاضی که ایمیل ها را مرتب می کند ، داده های ورودی یک خواهد بودایمیل 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 کنندفقط 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 شوداز داده های آزمون جمع آوری شده بدون برچسب ، طبقه بندی نشده یا طبقه بندی نشده. MLبدون نظارت تمرکز نمی کنددر مدل بازخورد و الگوریتم ها سعی کنید قسمت یکسانی را در داده ها شناسایی کنید و بر اساس هر یک عمل کنیدداده ورودی جدید یک مثال MLبدون نظارت ، یافتن تابع احتمال تراکم است [8،9]. تجزیه و تحلیل خوشه استمشاهدات گروهی یا خوشه ای به گونه ای تنظیم شده اند که نقاط مشاهده در یک خوشه مشابه بر اساس aبرابر هستندمجموعه 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 داردشباهت اعضای گروه و تفاوت خوشه.ج یادگیری ماشین نیمه نظارت شده: ML نیمه نظارت شده بین دستگاه نظارت شده و بدون نظارت استیادگیری. به عنوان مثال ، برچسب های آموزشی وجود ندارد ، اما تعداد کمی از محققان ML آن را بدون برچسب تجزیه و تحلیل کرده اندداده ها و تعداد کمی از داده های دارای برچسب که با هم استفاده می شوند ، دقت یادگیری را بهبود می بخشد. در MLتحت نظارت ، مطالعهانواع پر سر و صدا ، محدود یا نادرست است. در حالی که این برچسب های مورد انتظار ارزان به دست می آیند که نتیجه آن استمجموعه ای از آموزش با اثربخشی بیشتر.2.3 تعداد کمی از رویکردهای یادگیری ماشینجدا 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 برسانندپاداش در یک محیط خاص این در رشته هایی مانند نظریه کنترل ، تئوری بازی ، اطلاعات مورد مطالعه قرار می گیردنظریه ، هوش بهینه سازی مرکز شبیه سازی در ازدحام ، آمار و الگوریتم ها در ژنتیک. مقداریالگوریتم های ریاضی تقویت MLابزار برنامه پویا را تمرین می کنند [30]. در وسایل نقلیه اتومبیل نیز استفاده می شودیا بازی با یک انسانب خودآموزی: خودآموزی به عنوان مطالعه ML در سال 1982 با یک شبکه عصبی و یادگیری خود نیز آغاز شدمعروف به Crossbar Adaptive Array که CAA است (بوژینوفسکی ، 1982). CAA به معنای عدم شناسایی خارجی با است88 جلد 11 ، شماره 2 ، مه-آگوست ، 2020 (IJARITAC)روهیت کنگپاداش و مشاوره معلم هنگام یادگیری. CAA با سبکی از تیرآهن محاسبه می کند ، جایی که هر دوعمل و احساسات در مورد موقعیت های نتیجه تصمیم می گیرند. این سیستم یادگیری توسط احساسات و شناخت ایجاد می شودتعامل (بوژینوفسکی ، 2014). بعلاوه ، این یک سیستم ورودی و یک سیستم خروجی است. مقدار نتیجه زودتر منتشر شدهپاسخ عاطفی نسبت به وضعیت حاصل است. انواع CAA رفتاری و ژنتیکی استمحیط ها CAA یک طبیعت هدف گرا را در محیطی با شرایط مطلوب و مخالف درک می کندپس 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 کنندآموزش [33]. اجزای اصلی و تجزیه و تحلیل داده های خوشه ای نمونه های معمولی همان هستند. ویژگی یادگیریهمچنین 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 نظارتشامل شبکه های عصبی ، تعصب و یادگیری فرهنگ لغت است ، در حالی که بدون نظارت شامل یک فرهنگ لغت ، فردی استتجزیه و تحلیل م componentلفه ها ، خود رمزگذارها ، فاکتوراسیون یک ماتریس [28] و بسیاری از انواع خوشه بندی [10،11]. ویژگییادگیری 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 واقعیورودی 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 داردبه عنوان ماتریس پراکنده شناخته می شود. یادگیری فرهنگ لغت کم در بسیاری از زمینه ها قابل استفاده است. برای فرهنگ لغت کهبا 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 شودکه از استاندارد منحرف می شوند [29]. به عنوان مثال کلاهبرداری در بانک ها ، نقص در ساخت و سازها ، مسائل پزشکی یاخطاهای متن سه نوع تکنیک در تشخیص انحراف ، تشخیص انحراف بدون نظارت استسر 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 بهبرنامه درسی ، برای ارتقا with با مهارت های پیشرفته توسط داده های هدایت شده توسط خود2.4 مدل های یادگیری ماشیندر 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 هستندشبکه هایی که برای انجام کار بدون هیچ پیش قانونی طراحی شده اند. ANN یک ساختار نورون مصنوعی استبه عنوان یک مغز بیولوژیکی کار می کند. هر اتصال نورونی می تواند اطلاعات یا سیگنال را از یک به دیگری منتقل کندنورون برای پردازش. اتصالات نورونهای مصنوعی به عنوان لبه شناخته می شوند. در مجموع وزنی دارد کهبا 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 استبر اساس ورودی هایی که به آنها داده شده است. سیگنالهای داده از ورودی به لایه خروجی منتقل می شوند ممکن است بعد از عبور ازچندین 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 کندبه نتیجه گیری در مورد هدف مورد این روش در ریاضیات ، جمع آوری داده ها و ML استفاده می شود. درخت89یادگیری ماشینی ، محدودیتها و راه حلهای آن در مورد فناوری اطلاعاتجلد 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 ازدرخت برچسب های کلاس را نشان می دهد و شاخه های یک درخت هم پیوندهای برچسب کلاس را نشان می دهد. درختان تصمیم بامقدار 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 وپسرفت. الگوریتم SVMمدلی را ایجاد می کند که دسته نمونه ها را حدس می زند. الگوریتم SVM یک استطبقه بندی باینری ، غیرحتمل و خطی. همچنین مرتب سازی غیرخطی را با استفاده از ترفند هسته به طور کارآمد انجام می دهدکه 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 دهدرابطه با ویژگی های آنها یک مثال معمول حداقل مربعات معمولی است. رگرسیون چند جمله ای می تواند باشدبرای رسیدگی به مسائل غیر خطی استفاده می شود. رگرسیون لجستیک دارای داده های غیر خطی برای نقشه برداری کامل از ورودی استمتغیرها برای فضای بالاتر از بعد.ه شبکه بیزی: شبکه بیزی یا اعتقادی یک مدل احتمالاً گرافیکی است که متغیرهای تصادفی را ارائه می دهدمجموعه و استقلال آنها بر اساس شرایط مربوط به DAG است که یک نمودار چرخشی مستقیم است. یک مثال مشترکمی تواند نمایانگر رابطه احتمالی بین بیماری ها و علل آنها باشد. شبکه محاسبه می کنداحتمال مبتنی بر علائم داده شده از بیماری های مختلف است. تعمیم شبکه بیزی که می تواندانجام 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 کندفرآیند انتخاب با استفاده از روش جهش برای ایجاد ژنوتیپ های جدید برای یافتن راه حل های شناسایی شدهمسئله؛ 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 دهدحریم خصوصی کاربران با استفاده از روشهای غیرمتمرکز آموزش. به عنوان مثال ، G-board از ML فدراسیون برای استفاده می کندس searchال جستجوی گوگل. Netflixاولین مسابقه را در سال 2006 ترتیب داده بود تا به پیش بینی تنظیمات کاربر دسترسی پیدا کندو 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 بخشیدندبرنامه پیشنهادی بر این اساس. در سال 2014 ، الگوریتم ML در زمینه تاریخ هنر برای درک استفاده شده بودهنرهای زیبا و ممکن است تأثیرات شناخته نشده قبلی را بین هنرمندان کشف کند2.5 محدودیت های یادگیری ماشینبرنامه 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 ، منابعدر دسترس نبودن ، و مشکلات اندازه گیری. وسیله نقلیه خودران Uber در سال 2018 موفق به شناسایی عابر پیاده نشد ، کهتوسط 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 نکنددر اطلاعات آموزش موجود موجود نیست. یادگیری ماشینی وقتی سعی می شود همان سوگیری فعلی را در جامعه جذب کنددر مورد جمع آوری دستی اطلاعات (گارسیا ، مگان ، 2016). روش یادگیری ماشینی برای ریسک کیفری تلاش می کنداندازه گیری برای افراد رنگ سیاه مغرضانه یافت شد [14،16]. عکس های Google در سال 2014 افراد سیاه پوست را برچسب گذاری کرده بود90 جلد 11 ، شماره 2 ، مه-آگوست ، 2020 (IJARITAC)روهیت کنگبه 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 کردکه 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 شودهر یک را با در نظر گرفتن یک زیر مجموعه برای تجزیه و تحلیل عملکرد و زیر مجموعه K-1برای آموزش مدل اجرا کرد. بوت استرپروش دیگری است که می توان برای ارزیابی دقت مدل تلاش کرد (کهوی ، 1995). TOC یعنیTotal 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 دیگربا درک انتقادی از توسعه سیستم مراقبت های بهداشتی ، تعصب در بخش مراقبت های بهداشتی دیده می شودبرای 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 استآموزش ابر بزرگ تجاری (هفته اطلاعات ، دسامبر 2019). هوش مصنوعی با سخت افزار مورد استفاده در MLبرایالکس نت و آلفا صفر 300،000 برابر مبلغ سرمایه گذاری و 3/4 ماه افزایش جدول زمانی را پیدا کردندپروژه [18،28].3. روش شناسی3.1 خلاapموجود در مطالعه یادگیری ماشینما 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 مسئلهبرای 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 هاما تصمیم گرفتیم پاسخ اولیه داده ها را از خریداران واقعی جمع آوری کنیم تا با مجموعه ای به عبارت مسئله فوق پاسخ دهیماز سوالات پس از آن توضیح داده شده است.3.3.1 داده های اولیه برای بیان مسئله یکما تصمیم گرفتیم حجم نمونه 400 پاسخ خریدار no’s را از جمعیت خریداران برنامه های تلفن همراه تجارت الکترونیکی تعیین کنیمتقریباً 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 / 0.00065اندازه نمونه = 384.16 شمارهب اندازه واقعی نمونه = (384.16x 300000) / (384.16 + (300000 - 1))اندازه واقعی نمونه = 383.66 شماره= تقریباً 400ما 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 کردیمدرخواست محصولات توسط برنامه های مبتنی بر تاریخچه ، پیشنهادات مربوط به محصولات مربوط به تاریخ و اعلان های مشابهرنگ ، اندازه مواد محصولات خریداری شده زودتر. ما به دنبال پاسخ تلفیقی در نظرسنجی در سالشکل 1: نمونه 400 پاسخ منفی خریداران نسبت به تعصب برنامه های تجارت الکترونیکیاز نتایج نظرسنجی نمونه فوق ، نتیجه گرفتیم که خریداران تجربه تعصب را هنگام استفاده از تجارت الکترونیکی احساس می کنندبرنامه ها3.3.2 داده های اولیه برای بیان مسئله دوما تصمیم گرفتیم اندازه نمونه 400 خریدار بدون پاسخ خریداران از تقریباً خریداران خدمات بهداشتی درمانی باشد70،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 / 0.00065اندازه نمونه = 384.16 شمارهب اندازه واقعی نمونه = (384.16x 70000) / (384.16+ (70000 - 1))اندازه واقعی نمونه = 382.068 عدد= تقریباً 400ما 400 نفر از خریداران را با مجموعه ای از سوالات مربوط به خدمات بهداشتی و درمانی با استفاده از تجربه در بیمارستان هایی بررسی کردیمهمانطور که درخواست بسیاری از آزمایشات سلامتی هنگام ورود به بیمارستان ، بسیاری از داروها تجویز شده و احساس مراقبت های بهداشتی استغارت 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 بهداشتیاز نتایج نظرسنجی فوق ، به این نتیجه رسیدیم که خریداران در هنگام برخورد با تجربه اخلاق بد ، غارت شده احساس می کنندخدمات مراقبت های بهداشتی.3.4 راه حل های احتمالی بیش از محدودیت های یادگیری ماشینما 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 بدهندب. 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 کردیمزمینه 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 استآیا 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 کننددر 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 کنندخدمات: ما همچنین برخی از راه حل ها را برای محدودیت های یادگیری ماشین مانند خوداظهاری پیشنهاد کردیمفرم توسط تجارت الکترونیکی ، استاندارد سازی صورتحساب پزشکی پیشنهادی و راه حل های سفارشی از طریق سخت افزارو این است پایان ترجکه این مقاله توسط علیرضا جهانشیریعلیرضا جهانشیریعلیرضا جهانشیریMon, 04 Jan 2021 22:47:43 +0330