یادگیری با نظارت: تفاوت میان نسخه‌ها
محتوای حذف‌شده محتوای افزوده‌شده
نجات ۱ منبع و علامت‌زدن ۰ به‌عنوان مرده.) #IABot (v2.0 |
Fatranslator (بحث | مشارکت‌ها) جز افزودن ناوباکس ۷.۶> الگو:علوم رایانه (درخواست کاربر:Luckie Luke)+نشانی+مرتب+ |
||
خط ۱:
{{همچنین ببینید|یادگیری بی‌نظارت}}
{{یادگیری ماشین}}
''' یادگیری با نظارت''' یا '''یادگیری تحت نظارت''' {{به انگلیسی|Supervised learning}}
با یک مثال عمومی وارد این بحث می‌شویم. یک میوه فروشی را در نظر بگیرید که تمام [[میوه ها]] را به صورت کاملاً جدا از هم مرتب کرده‌است و شما نوع میوه را کاملاً می‌دانید، یعنی زمانی که یک میوه را در دست می‌گیرید به نام نوشته شده در قفسهٔ آن نگاه می‌کنید و در میابید که مثلاً سیب است و اصطلاحاً می‌گویند تمام [[داده ها]] تگ گذاری شده هستند. به طبع فردی از قبل دستهٔ داده‌ها را مشخص کرده‌است. حال اگر با دید موجودی در حال یادگیری به ماجرا نگاه کنیم، انتظار می‌رود فرضاً مفهومی از سیب‌ها را یاد بگیرد و احتمالاً در آینده نیز اگر تصویری از سیب‌ها دید آن را تشخیص دهد. <ref>{{یادکرد وب|کد زبان=fa|تاریخ=|وبگاه=|نشانی=https://mimland.com/هوش-مصنوعی/|عنوان=هوش مصنوعی چیست؟ مقدمه ای برای شروع هوش مصنوعی|accessdate=۲۵ ژانویه ۲۰۲۰|archiveurl=https://web.archive.org/web/20191023014911/https://mimland.com/
این روش، یک روش عمومی در [[یادگیری ماشین]] است که در آن به یک سیستم، مجموعه ای از جفت‌های ورودی – خروجی ارائه شده و سیستم تلاش می‌کند تا تابعی از ورودی به خروجی را فرا گیرد. یادگیری تحت نظارت نیازمند تعدادی داده ورودی به منظور آموزش سیستم است. با این حال رده‌ای از مسائل وجود دارند که خروجی مناسب که یک سیستم یادگیری تحت نظارت نیازمند آن است، برای آن‌ها موجود نیست. این نوع از مسائل چندان قابل جوابگویی با استفاده از یادگیری تحت نظارت نیستند. یادگیری تقویتی مدلی برای مسائلی از این قبیل فراهم می‌آورد. در یادگیری تقویتی<ref>Reinforcement Learning</ref>، سیستم تلاش می‌کند تا تقابلات خود با یک محیط پویا را از طریق [[آزمون و خطا]] بهینه نماید. یادگیری تقویتی مسئله‌ای است که یک عامل که می‌بایست رفتار خود را از طریق تعاملات آزمون و خطا با یک محیط پویا فرا گیرد، با آن مواجه است. در یادگیری تقویتی هیچ نوع زوج ورودی- خروجی ارائه نمی‌شود. به جای آن، پس از اتخاذ یک عمل، حالت بعدی و پاداش بلافصل به عامل ارائه می‌شود. هدف اولیه برنامه‌ریزی عامل‌ها با استفاده از تنبیه و تشویق است بدون آنکه ذکری از چگونگی انجام وظیفه آن‌ها شود.
خط ۸:
یک مجموعه از مثال‌های یادگیری وجود دارد بازای هر ورودی، مقدار خروجی یا تابع مربوطه نیز مشخص است. هدف سیستم [[یادگیری ماشینی|یادگیر]] بدست آوردن فرضیه‌ای است که تابع یا رابطه بین ورودی یا خروجی را حدس بزند به این روش ''' یادگیری با نظارت''' گفته می‌شود.
مثال‌های زیادی در یادگیری ماشینی وجود دارند که در دسته یادگیری با نظارت میگنجند، از جمله می‌توان به [[درخت تصمیم|درخت تصمیم‌گیری]]، [[آدابوست]]، [[ماشین بردار پشتیبانی]]، [[دسته‌بندی‌کننده بیز ساده]]، [[رگرسیون خطی]]، [[رگرسیون لجستیک]]، [[گرادیان تقویتی]]، [[شبکه‌های عصبی]] و بسیاری مثال‌های دیگر اشاره کرد.
== جستارهای وابسته ==
خط ۲۶:
* [http://artificial.ir/intelligence/attachments/3627d1291709802-final-rar یادگیری ساختاری در شبکه‌های بیزی]
{{علوم رایانه}}
[[رده:یادگیری ماشینی]]▼
[[رده:ویکی‌سازی رباتیک]]
▲[[رده:یادگیری ماشینی]]
| |||